작물 분류를 위한 다중 시점 융합 학습의 비교 평가

원격 감측(RS) 데이터 소스의 양과 다양성이 급속히 증가함에 따라 다중 시점 학습 모델링에 대한 강한 필요성이 제기되고 있습니다. RS 데이터의 해상도, 크기, 노이즈 등의 차이점을 고려할 때 이는 복잡한 작업입니다. 다수의 RS 소스를 통합하는 전통적인 접근 방식은 입력 수준 융합(input-level fusion)이었지만, 다른 보다 고급 융합 전략들이 이 전통적 방법을 능가할 수 있습니다. 본 연구에서는 작물 분류를 위한 CropHarvest 데이터셋에서 다양한 융합 전략을 평가합니다. 본 연구에서 제안된 융합 방법들은 개별 시점 기반 모델들과 이전 융합 방법들보다 우수한 성능을 보였습니다. 그러나 모든 접근 방식을 일관되게 능가하는 단일 융합 방법을 찾지는 못했습니다. 대신, 본 연구에서는 세 가지 다른 데이터셋에 대한 다중 시점 융합 방법들의 비교를 제시하고, 테스트 지역에 따라 서로 다른 방법들이 최고의 성능을 얻는다는 점을 보여줍니다. 이러한 결과에도 불구하고, 우리는 융합 방법 선택의 예비 기준을 제안합니다.