원격 감지 이미지를 위한 듀얼 태스크 제약 딥 시아메즈 컨볼루션 네트워크 모델을 이용한 건물 변화 검출

최근 몇 년간 딥 러닝을 도입함으로써 건물 변화 탐지 방법이 큰 발전을 이룩하였지만, 추출된 특징들이 충분히 구별력이 없어 불완전한 영역과 불규칙한 경계를 초래하는 문제를 여전히 겪고 있습니다. 이러한 문제를 해결하기 위해, 우리는 두 가지 작업을 제약 조건으로 하는 깊은 시아메즈 컨볼루션 네트워크(Dual Task Constrained Deep Siamese Convolutional Network, DTCDSCN) 모델을 제안합니다. 이 모델은 세 개의 하위 네트워크로 구성되어 있으며, 변화 탐지 네트워크와 두 개의 의미 분할 네트워크를 포함합니다. DTCDSCN은 동시에 변화 탐지와 의미 분할을 수행하여 더 구별력 있는 객체 수준의 특징 학습과 완전한 변화 탐지 맵 획득에 도움을 줍니다. 또한, 채널 간 및 공간 위치 간의 상호 의존성을 활용하기 위해 이중 주의 모듈(Dual Attention Module, DAM)을 도입하였습니다. 이는 특징 표현을 향상시키는데 기여합니다. 우리는 또한 포칼 손실 함수를 개선하여 샘플 불균형 문제를 억제하였습니다. WHU 건물 데이터셋을 사용한 실험 결과는 제안된 방법이 건물 변화 탐지에 효과적이며, 정밀도(Precision), 재현율(Recall), F1 점수(F1-score), 그리고 교집합 비율(Intersection over Union)이라는 네 가지 지표에서 최신 성능을 달성함을 보여주었습니다.