원격 탐사 영상에 대한 클라우드 및 클라우드 그림자 세그멘테이션을 위한 필터링된 자카드 손실 함수와 파라미터 기반 증강 기법

클라우드 및 클라우드 그림자 분할은 광학 원격 탐사 영상 분석에서 핵심적인 과정이다. 지리정보 영상에서 클라우드/그림자 식별을 위한 기존의 방법들은 특히 눈과 안개가 존재할 경우 충분한 정확도를 보이지 못하고 있다. 본 논문에서는 Landsat 8 영상에서 클라우드/그림자 탐지를 위한 딥러닝 기반 프레임워크를 제안한다. 본 연구에서 제안하는 방법은 기존에 제안한 Cloud-Net \cite{myigarss}의 개선된 버전인 복합 신경망 Cloud-Net+를 활용하며, 새로운 손실 함수인 필터링된 자카드 손실(Filtered Jaccard Loss)을 사용하여 학습한다. 제안된 손실 함수는 영상 내 전경 객체의 부재에 더 민감하게 반응하며, 기존의 일반적인 손실 함수보다 예측 마스크에 대해 더 정확하게 패널티 또는 보상을 부여한다. 또한, 태양광 방향을 고려한 데이터 증강 기법을 개발하여 클라우드 그림자 탐지 작업의 일반화 능력을 향상시켰으며, 기존 훈련 데이터셋을 확장함으로써 모델의 성능을 극대화하였다. Cloud-Net+, 필터링된 자카드 손실 함수, 그리고 제안된 증강 알고리즘의 조합은 네 가지 공개된 클라우드/그림자 탐지 데이터셋에서 우수한 성능을 보였다. 또한 Pascal VOC 데이터셋에서 수행한 실험을 통해 제안된 네트워크와 손실 함수가 다른 컴퓨터 비전 응용 분야에도 적용 가능하고 높은 품질을 갖는다는 것을 입증하였다.