초록
고해상도 광학 이미지 처리에서 분류 성능을 개선하기 위해, 공간-스펙트럼 정보 통합과 신경망 활용이라는 두 가지 일반적인 전략을 기반으로 많은 연구가 이루어져 왔습니다. 그러나 이 두 전략은 모두 고전적 알고리즘보다 더 많은 학습 데이터를 필요로 하며, 라벨링된 샘플의 부족을 더욱 심화시키는 경향이 있습니다. 본 논문에서는 스펙트럼 기반의 딥 메트릭 러닝 모델과 조건부 랜덤 필드 알고리즘을 유기적으로 결합한 새로운 프레임워크를 제안합니다. 딥 메트릭 러닝 모델은 센터 로스(center loss)에 의해 감독되어, 클래스 내에서 유클리디안 공간에서 더 밀접하게 모이는 스펙트럼 기반 특성을 생성합니다. 처음으로 이미지 세그멘테이션 작업을 위해 제안된 가우시안 엣지 포텐셜(Gaussian edge potentials)을 사용하는 조건부 랜덤 필드는, 딥 메트릭 러닝 모델이 생성한 특성 간의 지리적 거리와 유클리디안 거리를 활용하여 고해상도 광학 이미지에 대한 픽셀 단위 분류를 수행하도록 도입되었습니다. 제안된 프레임워크는 딥 메트릭 러닝 단계에서 스펙트럼 픽셀로 학습되며, 조건부 랜덤 필드 단계에서는 반 자동으로 생성된 공간 특성을 활용합니다. 이러한 접근 방식은 학습 데이터 부족 문제를 어느 정도 완화시킵니다. 두 개의 실제 고해상도 광학 이미지를 대상으로 수행된 실험 결과, 제안된 방법이 분류 정확도와 계산 비용 측면에서 우수함을 입증하였습니다.