CNN-Transformer 융합 네트워크를 이용한 변화 탐지

심층 학습, 특히 합성곱 신경망(CNN)이 원격 탐사(RS) 변화 탐지(CD) 분야에서 혁신을 가져왔음에도 불구하고, 기존의 접근 방식들은 전역적 맥락을 간과하거나 변화 학습이 완전하지 않아 핵심적인 특징을 놓치는 경우가 많다. 또한 트랜스포머 네트워크는 저수준 세부 정보 처리에 어려움을 겪는다. RCTNet은 이러한 한계를 극복하기 위해 \textbf{(1)} 공간적 및 시간적 특징을 조기에 활용할 수 있도록 조기 융합 백본을 도입하고, \textbf{(2)} 시간적 표현을 향상시키기 위한 단계 간 집약(CSA) 모듈을 제안하며, \textbf{(3)} 디코더에서 다중 해상도 특징 융합(MSF) 모듈을 통해 풍부한 특징 추출을 가능하게 한다. 더불어 \textbf{(4)} 트랜스포머를 활용하여 전역 정보와 미세한 세부 정보를 동시에 포착할 수 있는 효율적인 자기 해독 주의(ESA) 모듈을 도입함으로써 정확한 변화 탐지 성능을 달성한다. 광범위한 실험 결과를 통해 RCTNet이 기존의 RS 이미지 변화 탐지 방법에 비해 뚜렷한 우수성을 보이며, 정확도와 계산 비용 사이에 최적의 균형을 이룬다는 것이 입증되었다.