주목기반 적응형 스펙트럴-공간 커널 ResNet을 이용한 고분광 이미지 분류

고광대역 영상(HSIs)은 수백 개의 연속된 좁은 파장 대역으로 쌓여 있는 풍부한 스펙트럴-공간 정보를 제공한다. 그러나 노이즈와 파장 간 상관관계의 존재로 인해 정보성 있는 스펙트럴-공간 커널 특징을 선택하는 것이 어려운 과제가 된다. 이 문제는 일반적으로 고정된 크기의 수용 영역(receptive field, RF)을 갖는 합성곱 신경망(Convolutional Neural Networks, CNNs)을 사용하여 해결한다. 그러나 이러한 기법들은 전방 및 역방향 전파를 통해 네트워크를 최적화할 때, 신경세포가 수용 영역 크기를 효과적으로 조정하거나 채널 간 종속성을 반영하지 못하는 한계를 가진다. 본 논문에서는 엔드투엔드 학습 방식으로 고광대역 영상 분류를 위한 구분력 있는 스펙트럴-공간 특징을 추출하기 위해 스펙트럴 주의 메커니즘을 도입한 주의 기반 적응형 스펙트럴-공간 커널 개선형 잔차 네트워크(A²S²K-ResNet)를 제안한다. 특히, 제안된 네트워크는 개선된 3차원 잔차 블록(3-D ResBlocks)을 활용하여 선택적 3차원 합성곱 커널을 학습하고, 스펙트럴-공간 특징을 동시에 추출한다. 또한 효율적인 특징 재조정(Efficient Feature Recalibration, EFR) 메커니즘을 도입하여 분류 성능을 향상시킨다. 제안된 A²S²K-ResNet은 IP, KSC, UP 세 가지 유명한 고광대역 데이터셋에서 광범위한 실험을 수행하였으며, 기존의 다양한 방법들과 비교하여 전반적 정확도(OA), 평균 정확도(AA), 카파 계수(Kappa) 측면에서 더 우수한 분류 성능을 보였다. 소스 코드는 https://github.com/suvojit-0x55aa/A2S2K-ResNet에서 공개될 예정이다.