Hi-ResNet: 고해상도 원격 감지 세그멘테이션을 위한 엣지 세부 정보 강화

고해상도 원격 탐사(HRS) 세분화는 고해상도 영역을 대상으로 주요 객체를 추출하는 기술이다. 그러나 HRS 이미지 내 동일한 카테고리의 객체는 다양한 지리적 환경에서 규모와 형태 측면에서 상당한 차이를 보이며, 이로 인해 데이터 분포를 적절히 모델링하는 것이 어려워진다. 더불어 복잡한 배경 환경으로 인해 서로 다른 카테고리의 객체가 유사한 외관을 가지게 되어, 수많은 객체가 배경으로 잘못 분류되는 문제가 발생한다. 이러한 문제들은 기존의 학습 알고리즘의 성능을 제한한다. 본 연구에서는 효율적인 네트워크 구조 설계를 바탕으로 고해상도 원격 탐사 네트워크(Hi-ResNet)를 제안하여 위의 문제를 해결한다. 제안된 Hi-ResNet은 파이프라인 방식으로 펌프 모듈(funnel module), 정보 집계(IA) 블록의 스택으로 구성된 다중 브랜치 모듈, 그리고 특징 정제 모듈을 포함하며, 클래스 무관형 에지 인식(CEA) 손실 함수를 함께 사용한다. 구체적으로, 초기 입력 이미지로부터 고해상도 세분화 정보를 추출하면서 계산 비용을 줄이기 위해 펌프 모듈을 도입한다. 두 번째로, 처리된 특징 이미지를 점진적으로 다중 해상도 브랜치로 다운샘플링하여 다양한 규모의 이미지 특징을 포착하고, 주의 메커니즘을 활용해 핵심 잠재 정보를 추출하는 IA 블록을 적용하여 효과적인 특징 집계를 수행한다. 이를 통해 규모와 형태가 다양한 동일 카테고리의 이미지 특징을 구분할 수 있다. 마지막으로, 특징 정제 모듈은 CEA 손실 함수를 통합하여, 유사한 형태를 가진 서로 다른 클래스 간의 객체를 명확히 구분하고, 정확한 예측을 위해 데이터 분포 간 거리를 증가시킨다. 효과적인 사전 학습 전략을 활용하여, 세 가지 HRS 세분화 벤치마크에서 Hi-ResNet이 최첨단 기법들보다 우수한 성능을 입증하였다.