고해상도 이시기 원격 감지 이미지에서 변화 탐지를 위한 심층적으로 감독되는 이미지 융합 네트워크

고해상도 원격 감지 이미지에서의 변화 탐지 기술은 지표면 변화 이해에 있어 핵심적인 역할을 한다. 고해상도 이미지가 지닌 세부적인 이미지 특징과 복잡한 텍스처 특성으로 인해 전통적인 변화 탐지 방법은 그 적용에 한계가 있으며, 이에 따라 변화 탐지 성능을 향상시키기 위해 다양한 딥러닝 기반의 변화 탐지 기법이 제안되어 왔다. 현재 최첨단의 딥 피처 기반 방법은 기존의 모든 딥러닝 기반 변화 탐지 기법보다 뛰어난 성능을 보이고 있으나, 기존의 딥 피처 기반 방법들에서 사용되는 네트워크 구조 대부분은 단일 이미지 세그멘테이션을 위한 원래 설계된 아키텍처를 수정한 것으로, 이러한 네트워크를 변화 탐지 작업에 직접 적용하는 데 여전히 핵심적인 문제들이 존재한다. 본 논문에서는 고해상도 이시기 원격 감지 이미지에서의 변화 탐지를 위한 깊이 있는 감독을 갖춘 이미지 융합 네트워크(Deeply Supervised Image Fusion Network, IFN)를 제안한다. 구체적으로, 완전 컨볼루션형 이중 스트림 아키텍처를 통해 이시기 이미지의 고도로 대표적인 딥 피처를 먼저 추출한 후, 추출된 딥 피처는 깊이 있는 감독을 갖춘 차이 식별 네트워크(Deeply Supervised Difference Discrimination Network, DDN)에 입력되어 변화 탐지 작업을 수행한다. 출력된 변화 지도에서 객체의 경계 완전성과 내부 밀도를 향상시키기 위해, 원본 이미지의 다중 수준 딥 피처를 주의 메커니즘(attention module)을 활용해 이미지 차이 피처와 융합하여 변화 지도 재구성 작업을 수행한다. 또한 DDN은 네트워크의 중간 계층에 변화 지도 손실(Change Map Loss)을 직접 도입함으로써 추가적으로 강화되며, 전체 네트워크는 엔드투엔드(end-to-end) 방식으로 훈련된다. 제안한 IFN은 공개된 데이터셋과 중국 내 여러 도시를 포함하는 Google Earth에서 확보한 다중 소스 이시기 이미지로 구성된 도전적인 데이터셋에 적용되었으며, 시각적 해석과 정량적 평가 모두에서 기존 문헌에서 도출된 네 가지 벤치마크 방법보다 우수한 성능을 입증하였다. 특히, 최첨단 기법 대비 변화 영역의 경계가 보다 완전하고 내부 밀도가 높은 결과를 제공함으로써 본 방법의 효과성을 입증하였다.