랜덤 패치 네트워크와 재귀 필터링을 기반으로 한 소규모 샘플 하이퍼스펙트럴 이미지 분류

최근 몇 년간 고분광 영상(HSI) 분류를 위한 다양한 딥러닝 프레임워크가 제안되어 왔다. 그러나 제안된 네트워크 모델은 모델 복잡도가 높은 편이며, 소량의 학습 샘플(소샷 학습, few-shot learning)을 사용할 경우 높은 분류 정확도를 보장하지 못하는 문제가 있다. 본 논문에서는 무작위 패치 네트워크(RPNet)와 재귀 필터링(RF)을 결합한 HSI 분류 방법을 제안한다. 이 방법은 정보성 있는 깊은 특징을 추출하기 위해 RPNet과 RF를 융합한다. 제안된 방법은 먼저 영상의 각 밴드를 무작위 패치와 컨볼루션하여 다수준의 깊은 RPNet 특징을 추출한다. 이후 RPNet 특징 집합은 주성분 분석(PCA)을 통해 차원 축소되며, 추출된 주성분은 재귀 필터링(RF) 절차를 통해 필터링된다. 마지막으로 HSI 스펙트럼 특징과 얻어진 RPNet–RF 특징을 결합하여 서포트 벡터 머신(SVM) 분류기를 활용해 HSI를 분류한다. 제안된 RPNet–RF 방법의 성능을 검증하기 위해, 일반적으로 사용되는 세 가지 데이터셋에 대해 각 클래스별로 소량의 학습 샘플을 사용하여 실험을 수행하였으며, 소량의 학습 샘플을 대상으로 한 다른 최신 HSI 분류 기법과의 분류 결과를 비교하였다. 비교 결과, 제안된 RPNet–RF 분류 방법은 전반적인 정확도(overall accuracy)와 카파 계수(Kappa coefficient) 등 주요 평가 지표에서 더 높은 값을 기록함을 확인하였다.