초록
최근 연구에 따르면, 스펙트럴-공간 정보를 활용하면 고분광 영상(HSI) 분류 성능을 상당히 향상시킬 수 있다. HSI 데이터는 일반적으로 3차원(3D) 큐브 형태로 표현된다. 따라서 3D 공간 필터링은 이러한 영상 내에서 스펙트럴-공간 특징을 동시에 추출하는 간단하고 효과적인 방법을 제공한다. 본 논문에서는 정확한 HSI 분류를 위한 3D 컨볼루셔널 신경망(3D-CNN) 프레임워크를 제안한다. 제안된 방법은 사전 처리나 사후 처리에 의존하지 않고, HSI 큐브 데이터를 전반적으로 고려하여 깊은 스펙트럴-공간 통합 특징을 효과적으로 추출한다. 또한, 다른 딥러닝 기반 방법들에 비해 파라미터 수가 적어 모델이 가볍고 과적합(overfitting)의 위험이 적으며 학습이 용이하다. 비교 및 검증을 위해, 다양한 센서로 촬영된 세 가지 실세계 HSI 데이터셋에서 제안된 방법과 스택형 오토인코더(SAE), 딥 브리프 네트워크(DBN), 2D-CNN 기반 방법 등 세 가지 다른 딥러닝 기반 HSI 분류 방법을 비교하였다. 실험 결과, 제안한 3D-CNN 기반 방법이 기존 최첨단 방법들을 모두 상회하며 새로운 기록을 세웠다.