초록
변화 탐지(Change Detection)는 원격 탐사(Remote Sensing, RS) 영상 분석에서 중요한 과제이다. 딥러닝의 발전과 RS 데이터의 증가에 따라 지도학습 기반의 변화 탐지 방법이 점점 더 많이 등장하고 있다. 본 논문에서는 의미 세분화 네트워크인 UNet++을 개선하여, 완전 컨볼루션형 시아메스 네트워크(Siam-NestedUNet)를 제안한다. 우리는 UNet++의 강력한 특징 추출 능력을 갖춘 백본 네트워크 조건 하에서, 세 가지 유형의 시아메스 구조를 각각 UNet++과 결합하여, 시아메스 구조가 변화 탐지 과제에 미치는 영향을 탐구한다. 또한 Siam-NestedUNet의 다중 출력 특성을 고려하여, 서로 다른 의미 수준에서의 출력 중요도를 탐색하기 위한 실험을 설계하였다. 실험 결과에 따르면, 본 방법은 정밀도(Precision), 재현율(Recall), F1-Score, 전체 정확도(Overall Accuracy) 등의 여러 지표에서 크게 향상되었으며, 기존의 최고 성능(SOTA) 변화 탐지 방법들보다 우수한 성능을 보였다. 본 연구의 구현 코드는 https://github.com/likyoo/Siam-NestedUNet 에서 공개될 예정이다.