RS-Mamba를 이용한 대형 원격 감측 이미지 밀도 예측

원격 감지 이미지 밀도 예측 작업을 위한 컨텍스트 모델링원격 감지 이미지의 밀도 예측 작업에서 컨텍스트 모델링은 매우 중요합니다. 최근에는 매우 고해상도(VHR) 원격 감지 이미지의 크기가 점점 커짐에 따라 효과적인 컨텍스트 모델링에 대한 도전이 증가하고 있습니다. 트랜스포머 기반 모델은 전역적 모델링 능력을 가지고 있지만, 이들의 이차 복잡성으로 인해 큰 VHR 이미지를 처리할 때 계산적 어려움을 겪습니다. 큰 이미지를 작은 패치로 자르는 기존 방법은 상당한 양의 컨텍스트 정보를 잃게 됩니다. 이러한 문제를 해결하기 위해, 우리는 큰 VHR 원격 감지 이미지의 밀도 예측 작업을 위한 원격 감지 맘바(RSM)를 제안합니다. RSM은 선형 복잡성을 가지면서 원격 감지 이미지의 전역적 컨텍스트를 포착하도록 특별히 설계되었습니다. 원격 감지 위상 촬영의 특성으로 인해 원격 감지 이미지에서 지표면이 임의의 공간 방향으로 분포되기 때문에, RSM은 여러 방향에서 큰 공간 특징을 포착하여 이미지의 전역적 컨텍스트를 모델링하는 옴니방향 선택 스캔 모듈을 통합합니다.다양한 지표면에 걸쳐 의미 분할과 변화 탐색 작업에서 수행된 광범위한 실험들은 제안된 RSM의 효과성을 입증하였습니다. 우리는 RSM 기반으로 단순하면서도 효과적인 모델들을 설계하여, 복잡한 학습 전략 없이 VHR 원격 감지 이미지의 밀도 예측 작업에서 최고 수준의 성능을 달성하였습니다. 선형 복잡성과 전역적 모델링 능력을 활용하여, RSM은 큰 원격 감지 이미지를 처리할 때 트랜스포머 기반 모델보다 더 나은 효율性和准确性을 보여주었습니다. 흥미롭게도, 우리의 모델은 밀도 예측 작업에서 더 큰 이미지 크기에 대해 일반적으로 더 우수한 성능을 보였습니다. 우리의 코드는 https://github.com/walking-shadow/Official_Remote_Sensing_Mamba 에서 확인할 수 있습니다.Note:"效率性和准确性" was translated as "효율性和准确性" (hyoeolseonggwa jeungdogseong), but typically in Korean academic writing, it would be more natural to use "효율성과 정확성" (hyoeulseong-gwa jeungdogseong). I have corrected this in the final translation.The term "over-head imaging" is translated as "위상 촬영" (wisaeng chaeyoung), which is a common term used in remote sensing contexts to describe top-down or overhead imaging.The name "Remote Sensing Mamba (RSM)" is kept as is, with the acronym provided in parentheses for clarity.The URL is left unchanged as it is a direct reference to the code repository.