원격 탐사 이미지에서 변화 탐지용 초경량 공간-스펙트럴 특징 협업 네트워크

딥 컨볼루션 신경망(CNN)은 원격 탐사 영상 변화 탐지(CD) 분야에서 큰 성공을 거두었으나, 여전히 두 가지 주요 문제에 직면해 있다. 첫째, 기존의 다중 해상도 특징 융합 기법은 종종 중복적인 특징 추출 및 융합 전략을 사용하여 높은 계산 비용과 메모리 사용량을 초래한다. 둘째, 기존의 정규화된 주의 메커니즘은 공간-스펙트럴 특징을 동시에 모델링하고 3차원의 주의 가중치를 생성하는 데 어려움을 겪으며, 공간 특징과 스펙트럴 특징 간의 협업을 간과한다. 위의 문제를 해결하기 위해 본 논문에서는 변화 탐지에 적합한 효율적이고 초경량의 공간-스펙트럴 특징 협업 네트워크(USSFC-Net)를 제안한다. 제안된 USSFC-Net은 두 가지 주요 장점을 갖는다. 첫째, 다중 해상도 분리 컨볼루션(MSDConv)을 설계하였으며, 이는 일반적으로 사용되는 아트러스 공간 피라미드 풀링(ASPP) 모듈 및 그 변종과 명확히 구별된다. MSDConv는 순환적 다중 해상도 컨볼루션을 통해 변화된 객체의 다중 해상도 특징을 유연하게 캡처할 수 있으며, 동시에 파라미터 수와 계산의 중복성을 크게 감소시킨다. 둘째, 효율적인 공간-스펙트럴 특징 협업(SSFC) 전략을 도입하여 보다 � rich한 특징을 얻는다. SSFC는 기존의 2차원 주의 메커니즘과 달리, 추가적인 파라미터 없이 3차원 공간-스펙트럴 주의 가중치를 학습한다. 원격 탐사 영상 CD를 위한 세 가지 데이터셋에서 수행한 실험 결과, 제안된 USSFC-Net은 대부분의 CNN 기반 방법보다 높은 변화 탐지 정확도를 달성하면서도 낮은 계산 비용과 적은 파라미터 수를 요구하며, 일부 트랜스포머 기반 방법보다도 우수한 성능을 보였다. 코드는 다음 링크에서 확인 가능하다: https://github.com/SUST-reynole/USSFC-Net.