확률적 가정 레이블 생성 프레임워크를 활용한 반감독 학습 고분광 이미지 분류

심층 신경망(DNN)은 풍부한 레이블링된 샘플이 제공되는 경우 고광대역 이미지(HSI) 분류에서 뛰어난 성능을 보인다. 그러나 HSI 샘플의 레이블링은 매우 비용이 많이 들며, 이 작업에 할당된 예산은 일반적으로 제한적이다. 레이블링된 샘플에 대한 의존도를 줄이기 위해, 레이블링된 샘플과 비레이블링된 샘플을 함께 활용하여 학습하는 심층 반감독학습(SSL) 기법이 기존 연구에서 제안되었다. 그러나 비레이블링된 데이터로부터 강건하고 구분 가능한 특징을 학습하는 것은 다양한 노이즈 영향과 비레이블링 샘플의 모호성으로 인해 여전히 도전적인 과제이다. 결과적으로 최근의 기술 발전은 주로 사전 학습 또는 초기 워밍업 단계에 국한되어 있다. 본 논문에서는 비레이블링 샘플로부터 신뢰할 수 있는 가짜 레이블(pseudo labels)을 생성함으로써, 명시적으로 구분 가능한 특징을 학습할 수 있는 심층 확률적 프레임워크를 제안한다. 제안하는 프레임워크가 생성하는 가짜 레이블은 다양한 DNN에 공급되어 모델의 일반화 능력을 향상시킬 수 있다. 본 프레임워크는 각 클래스당 단지 10개의 레이블링된 샘플만을 사용하여 잠재 공간 내에서 불확실성 인식 분포(uncertainty-aware distribution)로 레이블 집합을 표현한다. 이후, 특징 값이 해당 분포와 높은 확률로 일치하는 비레이블링 샘플들에 대해 가짜 레이블을 생성한다. 네 개의 공개된 데이터셋을 대상으로 실시한 광범위한 실험을 통해, 제안하는 프레임워크가 신뢰할 수 있는 가짜 레이블을 생성하여 여러 최첨단 DNN의 일반화 능력을 크게 향상시킬 수 있음을 입증하였다. 또한, 기존 대비 뛰어난 정확도 성능을 보이는 새로운 HSI 분류용 DNN 모델도 제안하였다.