원격 탐사 이미지에서 의미 변화 탐지를 위한 공동 시공간 모델링

시맨틱 변화 탐지(Semantic Change Detection, SCD)는 원격 탐사 영상(Remote Sensing Images, RSIs)에서 변화가 발생한 영역과 그 변화 전·후의 시맨틱 카테고리를 동시에 추출하는 작업을 의미한다. 이는 변화가 발생한 영역에 대한 세부적인 분석이 가능하다는 점에서 이진 변화 탐지(Binary Change Detection, BCD)보다 더 의미 있는 작업이다. 기존 연구들은 SCD의 대표적인 아키텍처로 삼중 브랜치(Convolutional Neural Network, CNN) 구조를 도입해왔다. 그러나 변화 샘플의 수가 제한적일 경우 시맨틱 정보를 효과적으로 활용하는 것은 여전히 도전 과제이다. 본 연구에서는 SCD의 정확도를 향상시키기 위해 공간-시간적 의존성을 종합적으로 고려하는 방식을 탐구한다. 먼저, 이중 시점(RSIs) 간의 '전-후' 시맨틱 전이를 명시적으로 모델링할 수 있는 시맨틱 변화 트랜스포머(Semantic Change Transformer, SCanFormer)를 제안한다. 이후, SCD 작업에 부합하는 공간-시간적 제약 조건을 활용하여 시맨틱 변화 학습을 유도하는 시맨틱 학습 기법을 도입한다. 최종적으로 제안된 네트워크(SCanNet)는 기준 모델 대비 중요한 시맨틱 변화 탐지 능력과 얻어진 이중 시점 결과의 시맨틱 일관성 측면에서 뚜렷한 성능 향상을 보였다. 또한, SCD를 위한 두 가지 벤치마크 데이터셋에서 최신 기술(SOTA) 수준의 정확도를 달성하였다.