원격 탐사 이미지 분류를 위한 활성 학습을 통한 광범위한 문맥 잔차 네트워크

본 논문에서는 원격 탐사 영상(RSI) 분류를 위한 활성 학습(Active Learning, AL)을 통합한 광범위한 맥락 잔차 네트워크(Wide Contextual Residual Network, WCRN)를 제안한다. 다양한 응용 분야(예: RSI 분류)에서 ResNet이 뛰어난 성과를 거두고 있음에도 불구하고, 그 성능은 풍부한 레이블링된 샘플이 필요하다는 제약에 의해 제한된다. 현실 세계에서 클래스 레이블을 확보하는 것은 매우 어렵고 비용이 많이 드는 작업이므로, 본 연구에서는 제안된 WCRN에 AL을 통합하여 가장 정보량이 큰 학습 샘플을 활용함으로써 모델의 일반화 능력을 향상시키는 방식을 채택한다. 구체적으로, 먼저 RSI 분류를 위해 광범위한 맥락 정보를 효과적으로 활용할 수 있는 WCRN 아키텍처를 설계한다. 이후 이 네트워크를 AL과 결합하여 제한된 수의 학습 샘플로도 우수한 기계 학습 일반화 성능을 달성한다. 파비아 대학교 및 플레볼란드 데이터셋을 대상으로 수행한 실험 결과, 제안된 WCRN-AL 방법이 샘플 수요를 상당히 줄일 수 있음을 입증하였다.