RDP-Net: 영역 세부 정보 보존 네트워크를 이용한 변화 감지

변화 감지(Change Detection, CD)는 필수적인 지구 관측 기술입니다. 이 기술은 지표물의 동적 정보를 포착합니다. 딥 러닝의 발전에 따라 컨벌루션 신경망(Convolutional Neural Networks, CNN)은 CD 분야에서 큰 잠재력을 보여주고 있습니다. 그러나 현재의 CNN 모델들은 학습 과정에서 세부 정보를 잃어버리는 백본 아키텍처를 도입하고 있습니다. 또한, 현재의 CNN 모델들은 매개변수 수가 많아 무인비행기(UAV)와 같은 엣지 장치에 배포하는 것이 어려워졌습니다. 본 연구에서는 이러한 문제를 해결하기 위해 RDP-Net: 지역 세부 정보 보존 네트워크(Region Detail Preserving Network)를 제안합니다.우리는 효율적인 학습 전략을 제안하여 CNN 학습의 웜업 기간 동안 학습 작업을 구성하고, CNN이 쉬운 것부터 어려운 것으로 학습하도록 합니다. 이 학습 전략은 CNN이 적은 FLOPs로 더 강력한 특징을 학습하고 성능을 향상시킬 수 있도록 합니다. 다음으로, 우리는 세부 정보 오류에 대한 패널티를 증가시키는 효과적인 엣지 손실 함수를 제안하여 경계 영역과 작은 면적과 같은 세부 사항에 대한 네트워크의 주목도를 개선합니다.또한, 우리는 1.70M 매개변수만으로도 CD 분야에서 최신 경험적 성능을 달성하는 완전히 새로운 백본을 갖춘 CNN 모델을 제공합니다. 우리는 RDP-Net이 컴팩트한 장치에서 실용적인 CD 응용 프로그램에 도움이 되기를 바라며, 효율적인 학습 전략을 통해 변화 감지를 새로운 차원으로 끌어올릴 수 있는 더 많은 사람들을 격려하기를 바랍니다. 코드와 모델은 https://github.com/Chnja/RDPNet 에서 공개적으로 이용할 수 있습니다.