Dsfer-Net: 현대 훵필드 네트워크를 이용한 이시공간 변화 탐지를 위한 딥 서포비전 및 특징 검색 네트워크

고해상도 원격 감지 이미지에서의 변화 탐지(Change detection)는 지표면의 시간에 따른 변화를 모니터링하고 분석하는 데 핵심적인 응용 분야이다. 고해상도 원격 감지 데이터의 급증과 텍스처 특징의 복잡성 증가에 따라, 여러 가지 양적 딥러닝 기반의 방법들이 제안되어 왔다. 이러한 방법들은 깊이 있는 특징 추출과 공간-시간 정보의 통합을 통해 기존의 변화 탐지 기법들을 능가한다. 그러나 깊이 있는 특징이 탐지 성능을 향상시키는 구체적인 이유에 대한 합리적인 설명은 여전히 부족한 실정이다. 본 연구에서는 현대적 호프필드 네트워크 레이어가 의미적 이해 능력을 크게 향상시킨다는 점을 발견하였다. 본 논문에서는 이중 시점 변화 탐지(bitemporal change detection)를 위한 깊이 있는 감독 및 특징 검색 네트워크(Dsfer-Net)를 제안한다. 구체적으로, 전 컨볼루션 시메이지 네트워크를 통해 이중 시점 이미지의 매우 대표적인 깊이 있는 특징을 공동으로 추출한다. 이중 시점 이미지의 순차적 지리 정보를 기반으로, 차이 특징을 추출하고 깊이 있는 감독 방식으로 구별 가능한 정보를 활용할 수 있도록 특징 검색 모듈을 설계하였다. 또한, 깊이 있는 감독을 받는 특징 검색 모듈이 네트워크의 깊은 층에서 제안된 모델의 의미적 이해 능력을 설명 가능한 증거를 제공한다는 점을 관찰하였다. 마지막으로, 본 연구의 엔드투엔드 네트워크는 다양한 층에서 검색된 특징과 특징 쌍을 통합함으로써 새로운 프레임워크를 구축한다. LEVIR-CD, WHU-CD, CDD 등 세 가지 공개 데이터셋에서 수행된 실험을 통해 제안된 Dsfer-Net이 기존 최첨단 방법들에 비해 우수한 성능을 보임을 확인하였다.