불충분하고 불균형한 하이퍼스펙트럴 이미지 분류를 위한 스펙트럼-공간-의존적 글로벌 학습 프레임워크

딥러닝 기법은 고분광 이미지(HSI) 분류에 널리 적용되어 큰 성과를 거두었으나, 딥 네트워크 모델은 방대한 파라미터 공간을 가지며, 많은 수의 레이블링 데이터를 필요로 한다. HSI 분류를 위한 딥러닝 방법은 일반적으로 패치 기반 학습 프레임워크를 따르는 경우가 많다. 최근에는 전역 공간적 맥락 정보를 기반으로 고분광 이미지 분류를 위한 빠른 패치 없는 전역 학습(FPGA) 아키텍처가 제안되었다. 그러나 FPGA는 샘플 데이터가 불균형할 경우 가장 구분력 있는 특징을 효과적으로 추출하는 데 어려움을 겪는다. 본 논문에서는 불충분하고 불균형한 HSI 데이터에 대한 분류 문제를 해결하기 위해, 전역 컨볼루션 장단기 메모리(GCL)와 전역 공동 주의 메커니즘(GJAM)을 기반으로 한 스펙트럼-공간 종속 전역 학습(SSDGL) 프레임워크를 제안한다. SSDGL에서는 불균형 샘플 문제를 해결하기 위해 계층적 균형(H-B) 샘플링 전략과 가중치를 부여한 소프트맥스 손실 함수를 제안한다. 지표 유형 간 유사한 스펙트럼 특성을 효과적으로 구분하기 위해, GCL 모듈을 도입하여 스펙트럼 특징의 장단기 의존성을 추출한다. 가장 구분력 있는 특징 표현을 학습하기 위해 GJAM 모듈을 제안하여 주목할 만한 영역을 추출한다. 세 가지 공개 HSI 데이터셋을 활용한 실험 결과, SSDGL이 불충분하고 불균형한 샘플 문제에 대해 뛰어난 성능을 보이며, 기존 최첨단 방법들보다 우수함을 입증하였다. 코드는 다음 링크에서 제공된다: https://github.com/dengweihuan/SSDGL.