고광대역 이미지 분류를 위한 거리 공분산 표현을 활용한 적응형 마스크 샘플링 및 다양체에서 유클리드 부분공간으로의 학습

고광역 스펙트럼 및 공간 정보를 포함한 고분광 영상(HSIs)에서 스펙트럼-공간 관계를 종합적으로 탐색하는 것은 고분광 영상 분류(HSIC) 분야에서 널리 주목받고 있는 주제이다. 그러나 여전히 해결하기 어려운 과제들이 존재한다. 첫째, 패치 기반 처리 방식에서 중심 픽셀과 공간적 이웃 픽셀 간의 지표층 분류가 일치하지 않는 경우가 흔하다. 둘째, 서로 다른 스펙트럼 밴드 간의 선형 및 비선형 상관관계는 매우 중요하지만, 이를 효과적으로 표현하고 탐구하는 것은 여전히 도전적인 과제이다. 이러한 문제들을 극복하기 위해, 고분광 영상 분류를 위한 적응형 마스크 샘플링 및 리만 다양체에서 유클리드 부분공간으로의 학습(AMS-M2ESL) 프레임워크를 제안한다. 구체적으로, 중심 스펙트럼 벡터를 기준으로 한 공간적 관계를 고려하여, 적응형 마스크 기반 내 패치 샘플링(AMIPS) 모듈을 도입하여 내부 패치 샘플링을 적응형 방식으로 수행한다. 이후, 거리 공분산(distance covariance) 기반의 설명자에 기반하여, 통합적인 스펙트럼-공간 특징 표현을 모델링하고, 특히 스펙트럼 영역 내 선형 및 비선형 상호의존성을 탐색하기 위한 이중 채널 거리 공분산 표현(DC-DCR) 모듈을 제안한다. 더불어, 거리 공분산 행렬이 대칭 양의 정부정(SPD) 다양체 위에 존재함을 고려하여, SPD 다양체의 리만 기하학을 존중하는 리만 다양체에서 유클리드 부분공간으로의 학습(M2ESL) 모듈을 도입하여 고차원의 스펙트럼-공간 특징 학습을 수행한다. 또한, 효율적인 유클리드 부분공간 투영을 위해 근사적 행렬 제곱근(ASQRT) 층을 도입한다. 제안된 방법은 훈련 샘플이 제한된 세 가지 대표적인 고분광 영상 데이터셋에서 실시된 광범위한 실험을 통해 기존 최첨단 기법들에 비해 우수한 성능을 보였다. 소스 코드는 https://github.com/lms-07/AMS-M2ESL 에서 공개되어 있다.