초록
고광역 영상은 공간적 정보와 스펙트럼적 정보가 풍부하다. 3D-CNN을 활용하면 공간적 및 스펙트럼적 차원의 특징을 동시에 추출하여 특징 분류를 촉진할 수 있으나, 고광역 영상은 스펙트럼 차원에서 정보의 중복성이 높다. 이로 인해 지속적인 3D-CNN 사용 시 파라미터 수가 크게 증가하고, 장치의 계산 능력 요구가 높아지며, 학습 시간이 지나치게 길어지는 문제가 발생한다. 본 논문에서는 이러한 문제를 균형 있게 해결하기 위해 더 빠른 선택적 커널 메커니즘 네트워크(FSKNet)를 제안한다. FSKNet은 3D-CNN과 2D-CNN 간의 변환 모듈을 설계하여, 3D-CNN을 통해 특징 추출을 수행하면서 동시에 공간적 및 스펙트럼적 차원을 감소시킨다. 그러나 이러한 모델은 여전히 가볍지 않은 문제가 있다. 변환된 2D-CNN 구조에서는 선택적 커널 메커니즘을 도입하여 각 뉴런이 이중 입력 정보 스케일에 기반해 수용 영역(Receptive Field) 크기를 동적으로 조정할 수 있도록 한다. 선택적 커널 메커니즘은 주로 두 가지 구성 요소로 이루어지며, SE 모듈은 채널 차원에 대한 주의 메커니즘을 제공하고, 가변 컨볼루션은 지표면 객체의 공간적 변형 정보를 추출한다. 이러한 구조 덕분에 모델은 더 높은 정확도를 달성하면서도 빠르고 계산 부담이 적다. FSKNet은 IN, UP, Salinas, Botswana 데이터셋에서 매우 적은 파라미터로 높은 정확도를 달성하였다.