협동 학습 및 주의 메커니즘을 기반으로 한 생성적 적대 신경망을 이용한 고분해능 영상 분류

한정된 샘플을 가진 고분해능 영상(HSIs)의 분류는 도전적인 과제이다. 생성적 적대 신경망(GAN)은 소규모 샘플 문제를 완화할 수 있는 유망한 기술로 주목받고 있다. GAN은 생성자(generator)와 판별자(discriminator) 간의 경쟁을 통해 샘플을 생성한다. 그러나 복잡한 공간-스펙트럴 분포를 가진 HSIs에 대해 고품질의 샘플을 생성하는 것은 여전히 어려운 문제이며, 이는 판별자의 성능 저하로 이어질 수 있다. 이러한 문제를 해결하기 위해, 협업 학습과 주의 메커니즘을 기반으로 한 대칭적 컨볼루션 GAN(CA-GAN)이 제안된다. CA-GAN에서는 생성자와 판별자가 단순히 경쟁하는 것을 넘어, 상호 협력한다. 판별자의 얕은 계층부터 깊은 계층까지의 실제 다중 클래스 샘플에 대한 특징 정보는 생성자에서 샘플 생성을 보조한다. 생성자 내부에서는 다중 브랜치 컨볼루션 네트워크를 기반으로 동적 활성화 함수를 정의하여 공간-스펙트럴 하드 주의 모듈을 설계하였다. 이 모듈은 생성된 샘플의 분포가 스펙트럴 및 공간 차원에서 실제 HSI의 분포와 유사하도록 유도하며, 오해를 유발하거나 혼란을 초래할 수 있는 정보를 제거한다. 판별자에서는 컨볼루션 LSTM 레이어를 통합하여 공간적 문맥 특징을 동시에 추출하고 장기적인 스펙트럴 종속성을 포착한다. 마지막으로, 판별자와 생성자 간의 경쟁적이고 협업적인 학습을 강제함으로써 판별자의 분류 성능을 향상시킨다. HSI 데이터셋에 대한 실험 결과, 특히 학습 샘플 수가 제한된 상황에서 CA-GAN이 최신 기법들과 비교하여 만족스러운 분류 성능을 달성함을 확인하였다.