DecoupleNet: 원격 감지 시각 작업을 위한 효율적인 특징 분리 기능을 갖춘 경량 백본 네트워크

컴퓨터 비전(CV) 분야에서 속도와 정확성 사이의 균형을 맞추는 것은 여전히 중요한 과제이다. 최근 연구들은 계산 효율성과 특징 추출을 최적화하는 경량화 네트워크 개발에 주력해 왔다. 그러나 소형 및 다중 스케일 객체 탐지가 핵심적인 원격 탐사(RS) 영상에서는 이러한 네트워크가 성능 면에서 한계를 보이고 있다. 이러한 문제를 해결하기 위해, 자원 제약 환경에서 RS 시각 작업에 특화된 혁신적인 경량 기반 네트워크인 DecoupleNet이 제안된다. DecoupleNet은 두 가지 핵심 모듈을 포함한다. 첫째, 특징 통합 다운샘플링(FID) 모듈은 다운샘플링 과정에서 소형 객체의 특징을 유지한다. 둘째, 다브랜치 특징 분리(MBFD) 모듈은 새로운 분리 기법을 통해 소형 및 다중 스케일 객체의 특징 표현을 강화한다. 세 가지 RS 시각 작업에 대한 종합적인 평가 결과, 기존 경량화 네트워크와 비교해 DecoupleNet은 정확성과 계산 효율성 사이에서 뛰어난 균형을 달성함을 입증하였다. NWPU-RESISC45 분류 데이터셋에서 DecoupleNet은 95.30%의 상위 1 정확도를 기록하며, 파라미터 수와 계산 부하 측면에서 더 낮은 수준을 유지하면서도 FasterNet을 2% 이상 상회하였다. DOTA 1.0 테스트 세트를 활용한 객체 탐지 작업에서는 78.04%의 정확도를 달성하여 ARC-R50보다 0.69% 높은 성능을 보였다. LoveDA 테스트 세트에서의 세분화 작업에서는 53.1%의 정확도를 기록하며, UnetFormer보다 0.70% 우수한 성능을 나타냈다. 이러한 결과는 자원 제약 환경에서 RS 영상 분석 기술의 발전을 위한 새로운 길을 열었으며, 이 분야의 핵심적 격차를 해결하는 데 기여한다. 코드 및 사전 학습 모델은 공개적으로 제공되며, https://github.com/lwCVer/DecoupleNet에서 접근할 수 있다.