RFL-CDNet: 풍부한 특징 학습을 통한 정확한 변화 탐지로 향해

변화 탐지(Change Detection)는 원격 탐사 영상 분석에서 매우 중요하지만 동시에 극도로 도전적인 과제이며, 딥러닝의 급속한 발전과 함께 많은 진전이 이루어졌다. 그러나 기존의 대부분의 딥러닝 기반 변화 탐지 방법들은 복잡한 특징 추출 및 다중 스케일 특징 융합에 주로 초점을 맞추고 있으며, 중간 단계에서의 특징 활용이 부족하다는 점을 간과하고 있어 최적의 성능을 달성하지 못하고 있다. 이러한 문제를 해결하기 위해, 더 풍부한 특징 학습을 통해 변화 탐지 성능을 향상시키는 새로운 프레임워크인 RFL-CDNet을 제안한다. 구체적으로, 먼저 깊은 다중 감독(deep multiple supervision)을 도입하여 중간 단계의 표현력을 강화함으로써 각 단계에서 백본 특징 추출기의 잠재력을 극대화한다. 또한, 특징 학습을 더욱 향상시키고 더 구분력 있는 특징 표현을 얻기 위해, 거친에서 세밀한 방향으로 안내하는 Coarse-To-Fine Guiding (C2FG) 모듈과 학습 가능한 융합(Learnable Fusion, LF) 모듈을 설계하였다. C2FG 모듈은 이전의 거친 스케일에서의 예측을 현재의 세밀한 스케일 예측에 부드럽게 통합하는 방식으로, 계층적이고 연속적인 정보 전달을 가능하게 한다. 반면, LF 모듈은 각 단계 및 각 공간 위치에서의 기여도가 독립적임을 가정하여, 다수의 예측 결과를 학습 가능한 방식으로 융합하는 모듈을 설계하였다. 여러 벤치마크 데이터셋에서의 실험 결과, 제안하는 RFL-CDNet은 WHU 농경지 데이터셋과 CDD 데이터셋에서 최고 성능(SOTA)을 달성하였으며, WHU 건물 데이터셋에서는 두 번째로 높은 성능을 기록하였다. 소스 코드 및 모델은 공개적으로 제공되며, 다음 링크에서 확인할 수 있다: https://github.com/Hhaizee/RFL-CDNet.