원격 센서 데이터로부터의 의미적 세그멘테이션 및 보조 작업 분류를 위한 잠재적 학습의 활용

이 논문에서는 깊은 신경망을 활용한 원격 감지 데이터로부터의 의미 분할(semitic segmentation)에 관한 세 가지 다른 측면을 다룬다. 첫째, 원격 감지 데이터에서 건물의 의미 분할에 초점을 맞추어 ICT-Net을 제안한다. 제안된 네트워크는 INRIA 및 AIRS 기준 데이터셋에서 테스트되었으며, 각각 Jaccard 지수에서 기존 최첨단 기술보다 1.5%, 1.8% 이상 우수한 성능을 보였다. 둘째, 건물 분류는 일반적으로 재구성 과정의 첫 단계이므로, 분류 정확도와 재구성 정확도 간의 관계를 조사한다. 셋째, 잠재적 학습(latent learning)이라는 간단하면서도 설득력 있는 개념을 제시하고, 깊은 신경망의 맥락에서 이 개념이 지닌 함의를 논의한다. 우리는 주 작업(예: 건물 분류)에 대해 훈련된 네트워크가 의도하지 않게 보조 작업(예: 도로, 나무 등의 분류)에 대해 학습하고 있으며, 이러한 보조 작업은 주 작업과 상호보완적인 관계에 있음을 주장한다. 이 제안된 기법은 다중 레이블 지정값을 포함하는 ISPRS 기준 데이터셋에서 광범위하게 검증되었으며, 도로의 평균 분류 정확도(F1 점수)는 54.29% (SD=17.03), 자동차는 10.15% (SD=2.54), 나무는 24.11% (SD=5.25), 낮은 식생은 42.74% (SD=6.62), 혼잡물은 18.30% (SD=16.08)를 기록하였다. 소스 코드 및 보충 자료는 http://www.theICTlab.org/lp/2019ICT-Net/ 에 공개되어 있다.