초록
컴퓨터 비전 분야에서 딥 러닝 기법이 거두어낸 놀라운 성과로 인해, 극초광대역 이미지(HSI) 분류 분야에 이러한 강력한 도구들을 적용하기 위한 연구가 점점 더 활발히 이루어지고 있다. 지금까지 대부분의 이러한 방법들은 깊은 특징을 추출하기 위해 사전 학습 단계와 미세 조정 단계를 거치는 방식을 사용해 왔다. 그러나 이는 시간이 매우 오래 소요되는 동시에 대량의 학습 데이터에 크게 의존하는 단점이 있다. 본 연구에서는 이러한 문제를 해결하기 위해, 이미지에서 임의로 추출한 패치를 학습 없이 직접 컨볼루션 커널로 간주하는 효율적인 딥 러닝 기반 방법, 즉 랜덤 패치 네트워크(Random Patches Network, RPNet)를 제안한다. RPNet은 얕은 컨볼루션 특징과 깊은 컨볼루션 특징을 결합함으로써 다중 해상도(multi-scale) 특성을 지니고 있어, 다양한 물체가 서로 다른 크기를 가질 수 있는 HSI 분류에 더 나은 적응성을 갖는다. 실험에서는 제안한 방법과 그 두 가지 변형인 RandomNet 및 RPNet–single을 세 가지 벤치마크 HSI 데이터셋에 적용하여 평가하였다. 실험 결과, 기존 방법들과 비교해 RPNet이 경쟁력 있는 성능을 보임을 입증하였다.