초록
본 논문에서는 항공 영상의 의미적 세그멘테이션을 위한 U-Net 아키텍처에 대한 개선된 학습 프로토콜을 제안한다. 제안한 방법은 도전적인 FLAIR #2 데이터셋을 대상으로 검증하였다. 전체 성능에 미치는 다양한 접근 방식 구성 요소의 영향을 철저히 분석하기 위한 광범위한 아블레이션 스터디를 수행하였다. 아블레이션 스터디는 다양한 모델 백본, 이미지 증강 기법, 학습률 스케줄러, 손실 함수, 그리고 학습 절차 간의 비교를 포함한다. 또한 이중 단계 학습 절차를 제안하고, 모델 앙상블을 위한 다양한 옵션을 평가하였다. 실험 결과를 바탕으로 최종 모델 학습 프로토콜 설정을 설계하였다. 이 최종 설정은 상대 오차를 약 18% 감소시키며, mIoU는 0.641을 달성하여 새로운 최고 성능 기록을 수립하였다. 본 연구의 코드는 다음 주소에서 공개되어 있다: https://github.com/strakaj/U-Net-for-remote-sensing