명확한 및 흐린 환경에서의 원격 탐사 장면 분류를 위한 합성곱 신경망 기반 방법

원격 탐사(Remote Sensing, RS) 장면 분류는 환경 모니터링 및 지질 조사 등 다양한 분야에서 널리 활용되고 있다. 실세계 응용에서는 위성으로 촬영된 RS 장면 이미지가 맑은 환경과 흐린 환경(구름이 많은 환경)의 두 가지 상황을 동시에 포함할 수 있다. 그러나 기존의 대부분의 방법들은 이러한 두 환경을 동시에 고려하지 않았다. 본 논문에서는 맑은 환경과 흐린 환경 모두에서 전역(Global) 및 국부(Local) 특징이 분류에 유의미한 정보를 제공한다고 가정한다. 기존의 다수의 컨볼루션 신경망(Convolutional Neural Network, CNN) 기반 모델들은 이미지 분류 작업에서 뛰어난 성과를 거두었지만, 네트워크 구조 내에서 전역 및 국부적 특징을 충분히 고려하지 못하는 경향이 있었다. 본 논문에서는 전역 인코더(Global Encoder)와 국부 인코더(Local Encoder)를 갖춘 새로운 CNN 기반 네트워크(GLNet)를 제안한다. 이 네트워크는 RS 장면 분류를 위해 분류에 유리한 전역 및 국부적 특징을 효과적으로 추출할 수 있도록 설계되었으며, 학습 과정에서 클래스 간 분산을 극대화하고 클래스 내 밀도를 극대화하는 제약 조건이 통합되어 있다. 공개된 두 개의 RS 장면 분류 데이터셋을 대상으로 수행한 실험 결과, GLNet은 맑은 환경과 흐린 환경 모두에서 기존의 다양한 CNN 백본 기반 모델들에 비해 더 우수한 성능을 달성함을 확인하였다.