이중 인코더-디코더 교환: 의미 지도 및 공간 정위를 통한 변화 탐지의 새로운 전략

지구 관측 응용 분야에서 변화 탐지(change detection)는 핵심적인 과제이다. 최근에는 딥러닝 기반의 방법들이 뛰어난 성능을 보이며 변화 탐지 분야에 빠르게 도입되고 있다. 그러나 널리 사용되는 다중 인코더-단일 디코더(MESD, Multiple Encoder and Single Decoder) 및 이중 인코더-디코더(DED, Dual Encoder-Decoder) 아키텍처는 여전히 변화 탐지 작업을 효과적으로 처리하는 데 어려움을 겪고 있다. MESD 아키텍처는 특징 수준에서 이시기 특징(feature-level fusion) 시 이시기 특징 간 간섭(bitemporal feature interference) 문제가 발생하는 반면, DED 아키텍처는 동일 클래스 내 변화 탐지(intraclass change detection) 및 다중 시점 건물 변화 탐지(multiview building change detection)에는 적용이 불가능하다. 이러한 문제를 해결하기 위해, 본 연구에서는 이중 인코더-디코더 구조를 활용한 교환형(exchanging) 아키텍처를 제안하며, 의미론적 안내(semantic guidance)와 공간적 정밀화(spatial localization)를 통합한 이진 변화 탐지(binary change detection) 전략을 도입한다. 제안된 전략은 MESD의 이시기 특징 오해석 문제를 결정 수준에서 이시기 특징을 융합함으로써 해결하고, DED의 적용 제한 문제는 이시기 의미론적 특징을 활용하여 변화 영역을 정의함으로써 극복한다. 본 전략을 기반으로 이진 변화 탐지 모델을 구축한 후, 동일 클래스 변화 탐지 데이터셋(CDD, SYSU), 단일 시점 건물 변화 탐지 데이터셋(WHU, LEVIR-CD, LEVIR-CD+), 다중 시점 건물 변화 탐지 데이터셋(NJDS) 등 총 6개의 데이터셋을 대상으로 세 가지 시나리오에서 18개 최신 기술 기준 모델과의 비교 및 검증을 수행하였다. 실험 결과, 제안 모델은 높은 효율성과 함께 뛰어난 성능을 보였으며, 각각 CDD, SYSU, WHU, LEVIR-CD, LEVIR-CD+, NJDS 데이터셋에서 F1 점수 97.77%, 83.07%, 94.86%, 92.33%, 91.39%, 74.35%를 기록하여 모든 기준 모델을 초월하였다. 본 연구의 코드는 https://github.com/NJU-LHRS/official-SGSLN 에 공개될 예정이다.