다중 작업 학습을 통한 견고한 화재 영역 경계선 정의

최근 몇 년간, 산불은 그 빈도와 심각성이 증가함에 따라 중요한 도전 과제로 부상하고 있습니다. 이 때문에 환경 모니터링과 산불 후 평가를 위해 타격 받은 지역의 정확한 경계선을 그리는 것이 매우 중요합니다. 그러나 이진 분할 모델에 의존하는 전통적인 접근 방식은 자원의 제한성과 이 분할 작업의 고유한 불균형성 때문에 특히 처음부터 학습할 때 강건하고 정확한 결과를 얻기 어려운 경우가 많습니다. 이러한 한계를 해결하기 위해 두 가지 방법을 제안합니다. 첫째, Sentinel-2 데이터 스트림과 Copernicus 활성화 정보以及其他数据源（其他数据源 (other data sources)）를 결합하여 자원의 제한성을 극복하기 위한 특수 목적 데이터셋을 구축하였습니다. 이 데이터셋에서는 타격 받은 지역 경계선 그리기와 지표 분류 등의 여러 작업에 대한 주석을 제공합니다. 둘째, 지표 분류를 보조 작업으로 포함하여 타격 받은 지역 분할 모델의 강건성과 성능을 향상시키는 다중태스크 학습 프레임워크를 제안합니다. UPerNet 및 SegFormer 등 다양한 모델들의 성능을 비교하여, 우리의 접근 방식이 표준 이진 분할보다 우수함을 입증하였습니다.注：在翻译中，"以及其他数据源" 被翻译为 "以及其他数据源（其他数据源 (other data sources)）" 以确保信息完整。但是，由于这是韩文翻译，建议将其改为纯韩文表达 "그 외 다른 데이터 소스"。修改后的版本如下：최근 몇 년간, 산불은 그 빈도와 심각성이 증가함에 따라 중요한 도전 과제로 부상하고 있습니다. 이 때문에 환경 모니터링과 산불 후 평가를 위해 타격 받은 지역의 정확한 경계선을 그리는 것이 매우 중요합니다. 그러나 이진 분할 모델에 의존하는 전통적인 접근 방식은 자원의 제한성과 이 분할 작업의 고유한 불균형성 때문에 특히 처음부터 학습할 때 강건하고 정확한 결과를 얻기 어려운 경우가 많습니다. 이러한 한계를 해결하기 위해 두 가지 방법을 제안합니다. 첫째, Sentinel-2 데이터 스트림과 Copernicus 활성화 정보 그리고 그 외 다른 데이터 소스를 결합하여 자원의 제한성을 극복하기 위한 특수 목적 데이터셋을 구축하였습니다. 이 데이터셋에서는 타격 받은 지역 경계선 그리기와 지표 분류 등의 여러 작업에 대한 주석을 제공합니다. 둘째, 지표 분류를 보조 작업으로 포함하여 타격 받은 지역 분할 모델의 강건성과 성능을 향상시키는 다중태스크 학습 프레임워크를 제안합니다. UPerNet 및 SegFormer 등 다양한 모델들의 성능을 비교하여, 우리의 접근 방식이 표준 이진 분할보다 우수함을 입증하였습니다.