상황인지(Situation Recognition)는 컴퓨터 비전과 인공지능의 결합을 통해 주변 환경을 이해하고 상황을 인식하는 기술을 개발하는 분야이다. 상황인지 분야는 주로 CNN, RNN 모델을 기반으로 연구되었다. 본 논문은 기존에 상황인지에 주로 사용되던 CNN 기반 모델 대신 Transformer를 기반으로 공간 정보와 시간정보를 어텐션하는 상황인지 모델을 제안한다.
상황인지 분야는 이미지 분류 같은 대중적인 분야에 비해 학습 데이터를 구하기가 까다롭다. 어떤 상황을 인지하는지에 따라 데이터를 직접 구해야 하는 경우가 많아, 최근 모델의 학습에 필요한 충분한 양의 데이터를 확보하지 못하는 경우가 많다.
따라서 이를 해결하기 위해 지식 증류 알고리즘을 적용하여, 적은 데이터에서도 효과적으로 학습이 되는 시공간 트랜스포머 기반의 상황인지 모델을 제안한다.
전장 상황에서 5초 후 아군 피해도를 예측하는 실험을 진행하며, 전장 시뮬레이터인 VT-MAK에서 상황인지에 필요한 특징만 추출하여 전처리한 데이터를 모델의 학습 데이터로 사용하여 모델 성능을 검증한다.
기존 CNN 기반 상황인지 모델 및 지식 증류를 사용하지 않은 모델과의 비교를 통해, 제안된 모델이 기존 모델대비 성능의 향상을 보임에 따라 본 논문에서 제안된 모델의 유효성을 증명하였다.