합성개구소나(SAS)를 이용한 자동 표적 인식(ATR)은 첨단 해군 역량을 지원하지만, 딥러닝은 부족한 표적 이미지, 배경 클러터, 사람이 개입하는 평가 방식에 제약을 받는다. 연구팀은 DINOv3 비전 트랜스포머를 수중 SAS ATR에 적용하는 3단계 파라미터 효율적 프레임워크를 제안했다. 1단계는 ViT 백본을 고정한 채 LoRA(저랭크 적응)를 사용해 자연 이미지 사전학습과 수중 음향 전파 사이의 간극을 메우고, 2단계는 하드 네거티브 마이닝으로 바위·퇴적물 등 인공 표적과 유사한 음향 위장물에 대한 결정 경계를 강화하며, 3단계는 지도 대조학습(SupCon)으로 표적과 클러터 표현을 분리한다. 실해역 SAS 데이터를 임무 단위 지리적 분할로 평가하고 재현율 85%에서 모든 방식을 비교한 결과, LoRA가 주된 효과를 담당해 동일한 고정 백본에서 정밀도-재현율 곡선 아래 면적(AUPRC)을 0.300에서 0.679로 끌어올렸으며, 랭크 4는 가중치의 0.26%만 학습하고도 이 결과를 달성했다. 반면 하드 네거티브 마이닝과 SupCon 단계는 각각 대조군 대비 유의미한 개선을 보이지 못해, 하나의 효율적 적응 단계만으로 충분하며 단계를 쌓는 정제는 불필요함을 시사했다.

• •DINOv3 ViT를 수중 SAS 표적 인식에 적용하는 3단계 파라미터 효율적 프레임워크를 제안했다
• •LoRA 단계가 주 효과를 담당해 AUPRC를 0.300에서 0.679로 끓어올리며 가중치의 0.26%만 학습했다
• •하드 네거티브 마이닝과 지도 대조학습 단계는 대조군 대비 유의미한 추가 개선을 보이지 못했다
• •결과는 하나의 효율적 적응 단계로 충분하며 단계를 쌓는 정제는 불필요함을 시사한다