위성 이미지 시계열에서 트랜스포머 네트워크를 활용한 작물 세그멘테이션 성능 향상

최근 연구들은 복합 신경망(Convolutional Neural Networks, CNNs)이 위성 이미지 시계열(Satellite Image Time-Series, SITS)의 작물 분할 작업에서 뛰어난 성과를 거두고 있음을 보여주었다. 그러나 다양한 비전 과제에서 트랜스포머 기반 네트워크가 등장하면서, 이러한 트랜스포머 모델이 SITS의 작물 분할에서 CNN보다 더 뛰어날 수 있는지에 대한 질문이 제기되고 있다. 본 연구에서는 SITS의 작물 분할에 특화된 트랜스포머 기반 Swin UNETR 모델의 개선된 버전을 제안한다. 제안된 모델은 뛰어난 성능을 보이며, 민스터(Munich) 데이터셋에서 검증 정확도 96.14%, 테스트 정확도 95.26%를 달성하여 기존 최고 성능 기록(검증: 93.55%, 테스트: 92.94%)을 상회한다. 또한 롬바르디아(Lombardia) 데이터셋에서의 성능은 UNet3D와 유사하며, FPN과 DeepLabV3보다 우수하다. 본 연구의 실험 결과는, 이 모델이 CNN보다 유사하거나 더 높은 정확도를 달성하면서도 훨씬 적은 학습 시간을 요구할 것으로 예상됨을 시사한다. 이러한 결과는 트랜스포머 기반 아키텍처가 SITS에서의 작물 분할에 있어 큰 잠재력을 지니고 있음을 강조하며, 원격 감지 응용 분야에 새로운 방향성을 제시한다.