HybridSN: 3D-2D CNN 특징 계층을 활용한 고광谱 영상 분류 연구

초광역 영상(HSI) 분류는 원격 감지 영상의 분석에 널리 사용됩니다. 초광역 영상은 다양한 대역의 이미지를 포함합니다. 합성곱 신경망(CNN)은 시각적 데이터 처리에서 가장 자주 사용되는 딥러닝 기반 방법 중 하나입니다. 최근 연구에서는 HSI 분류에 CNN을 사용하는 사례도 많이 보입니다. 이러한 접근 방식 대부분은 2D CNN을 기반으로 합니다. 그러나 HSI 분류 성능은 공간 정보와 스펙트럼 정보 모두에 크게 의존합니다. 계산 복잡도가 증가하기 때문에 3D CNN을 활용한 방법은 매우 적습니다. 본 논문에서는 HSI 분류를 위한 하이브리드 스펙트럼 합성곱 신경망(HybridSN)을 제안합니다. 기본적으로 HybridSN은 스펙트럼-공간 3D-CNN과 그 뒤를 이어 공간 2D-CNN으로 구성됩니다. 3D-CNN은 스펙트럼 대역의 쌓임에서 공동 공간-스펙트럼 특징 표현을 용이하게 합니다. 3D-CNN 위의 2D-CNN은 더욱 추상적인 수준의 공간 표현을 학습합니다. 또한 하이브리드 CNN의 사용은 단독으로 3D-CNN을 사용하는 것보다 모델의 복잡도를 줄입니다. 이 하이브리드 접근 방식의 성능을 테스트하기 위해 인디언 파인즈, 파비아 대학, 살리나스 장면 원격 감지 데이터셋에서 매우 엄격한 HSI 분류 실험을 수행했습니다. 결과는 최신 수작업 및 엔드투엔드 딥러닝 기반 방법들과 비교되었습니다. 제안된 HybridSN을 사용하여 HSI 분류에서 매우 만족할 만한 성능이 얻어졌습니다. 소스 코드는 \url{https://github.com/gokriznastic/HybridSN}에서 확인할 수 있습니다.