Transformer 인코더와 컨볼루션 블록을 기반으로 한 생성적 적대 신경망을 이용한 고분해능 영상 분류

현재 HSI 분류는 충분한 레이블링된 샘플을 학습 데이터로 제공할 경우 높은 분류 정확도에 도달할 수 있다. 그러나 기존 방법들은 적은 수의 레이블링된 샘플로 학습할 경우 성능이 급격히 저하된다. 기존의 소수 샘플 문제에 대한 방법들은 분류 정확도를 향상시키기 위해 추가적인 데이터셋을 요구하는 경우가 많다. 그러나 이러한 방법들 사이에는 타깃 도메인과 소스 도메인 간의 상당한 스펙트럼 이동으로 인해 교차 도메인 문제(cross-domain problem)가 존재한다. 위의 문제들을 고려하여, 우리는 외부 데이터셋을 요구하지 않고, 생성적 적대 신경망(GAN), 트랜스포머 인코더(Transformer Encoder), 그리고 컨볼루션 블록을 통합된 프레임워크 내에서 결합하는 새로운 방법을 제안한다. 제안한 방법은 트랜스포머 인코더를 통해 전역적 수용 영역(global receptive field)과 컨볼루션 블록을 통해 국소적 수용 영역(local receptive field)을 동시에 갖추고 있다. 인디언 파인즈(Indian Pines), 파비아U(PaviaU), KSC 데이터셋을 대상으로 수행한 실험 결과, 제안한 방법이 소수 샘플 학습 문제에서 기존의 딥러닝 기반 고분광 이미지 분류 방법들을 모두 상회함을 입증하였다.