AMD-HookNet을 이용한 빙하 앞면 분할

빙하 분리면 위치의 변화에 대한 지식은 빙하 상태 평가에 중요합니다. 원격 감지 영상은 빙하 분리면 위치를 모니터링하기 위한 이상적인 데이터베이스를 제공하지만, 시간 제약으로 인해 전 세계 모든 분리 빙하의 이 작업을 수동으로 수행하는 것은 현실적으로 불가능합니다. 딥러닝 기반 방법들은 광학 및 레이다 위성 영상에서 빙하 분리면을 구분하는 데 큰 잠재력을 보여주었습니다. 분리면은 바다와 빙하 사이의 단일 얇은 선으로 표현되며, 이는 예측의 부정확성을 야기할 가능성이 있습니다. 주석된 빙하 영상의 한정된 이용 가능성은 다양한 기상 조건, 종단부 형태, 센서 등 모든 가능한 조합이 데이터에 포함되어 있지 않아 데이터 다양성이 부족함을 초래하며, 이로 인해 정확한 세그멘테이션의 어려움이 가중됩니다.본 논문에서는 합성 개구 레이다(SAR) 영상을 위한 새로운 빙하 분리면 세그멘테이션 프레임워크인 Attention-Multi-hooking-Deep-supervision HookNet(AMD-HookNet)을 제안합니다. 제안된 방법은 두 가지 가지 U-Net 구조를 기반으로 저해상도와 고해상도 입력 간의 다수 정보 상호작용을 통해 특징 표현 능력을 향상시키는 것을 목표로 합니다. 두 가지 가지 U-Net에 통합된 주의 메커니즘은 대응되는 거시적과 미시적 특징 맵 간의 상호작용을 목표로 하며, 이를 통해 네트워크가 자동으로 특징 관계를 조정하여 정확한 픽셀 분류 예측을 생성할 수 있습니다. 도전적인 빙하 세그멘테이션 벤치마크 데이터셋 CaFFe에서 광범위한 실험과 비교를 통해 본 연구팀의 AMD-HookNet이 평균 거리 오차 438m로 실제 값에 비해 최신 기술보다 42% 우수한 성능을 보였으며, 이는 그 효과성을 검증하였습니다.