중심과 주변지역 간의 관계 탐색: 고분해능 영상 분류를 위한 중심 벡터 지향 자기유사성 네트워크

고분광 이미지 분류(HSIC)에서 타겟 픽셀의 스펙트럼-공간 정보를 효과적으로 탐색하기 위해, 컨볼루션 신경망(CNN) 기반 모델은 일반적으로 패치 기반 입력 패턴을 채택한다. 이 경우 패치는 중심 픽셀을 나타내며, 주변 픽셀들은 분류 과정에서 보조적인 역할을 한다. 그러나 중심 픽셀에 비해 주변 픽셀들은 분류에 기여하는 정도가 다를 수 있다. 기존의 많은 패치 기반 CNN 모델들은 공간적 주변 정보를 적응적으로 강조할 수 있지만, 대부분 중심 픽셀과 주변 픽셀 간의 잠재적 관계를 간과하고 있다. 더불어, 효율적인 스펙트럼-공간 특징 추출은 HSIC 분야에서 여전히 도전적이면서도 핵심적인 과제로 남아 있다. 이러한 문제를 해결하기 위해, 중심 벡터 기반 자기유사성 네트워크(CVSSN)를 제안한다. 구체적으로, 두 가지 유사도 측정 기반으로 입력 공간에서 적응형 가중치 추가 기반 스펙트럼 벡터 자기유사성 모듈(AWA-SVSS)과 특징 공간에서 유클리드 거리 기반 특징 벡터 자기유사성 모듈(ED-FVSS)을 설계하여 중심 벡터 기반의 공간적 관계를 극대화하여 탐색한다. 또한, 후속 모듈의 효율적인 스펙트럼-공간 특징 학습을 위해 중심 1차원 스펙트럼 벡터와 해당 3차원 패치를 융합하는 새로운 패턴으로 스펙트럼-공간 정보 융합 모듈(SSIF)을 구성한다. 더불어, 효율적인 스펙트럼-공간 특징 학습을 위해 채널-공간 분리 컨볼루션 모듈(CSS-Conv)과 스케일 정보 보완 컨볼루션 모듈(SIC-Conv)을 도입한다. 네 가지 대표적인 고분광 이미지(HSI) 데이터셋에서 실시한 광범위한 실험 결과는 제안한 방법이 기존 최첨단 기법들과 비교하여 뛰어난 효과성과 효율성을 입증한다. 소스 코드는 https://github.com/lms-07/CVSSN 에서 공개되어 있다.