Core Concepts
노이즈 레이블을 활용하여 다중 센서 데이터의 상호 보완적인 정보를 활용함으로써 원격 탐사 이미지 분할 성능을 향상시킬 수 있다.
Abstract
이 연구에서는 원격 탐사 이미지 분할을 위한 사전 학습 방법인 CromSS(Cross-modal Sample Selection)를 제안한다. CromSS는 레이더(Sentinel-1) 및 다분광(Sentinel-2) 위성 데이터와 같은 다중 센서 데이터를 활용하여 노이즈 레이블의 부정적인 영향을 완화한다.
구체적으로, CromSS는 각 센서 모달리티에서 생성된 신뢰도 마스크를 활용하여 샘플 선택 마스크를 생성한다. 이를 통해 모달리티 간 일관성 손실과 분할 손실 계산 시 신뢰도가 낮은 샘플의 기여도를 줄일 수 있다.
실험 결과, CromSS를 활용한 사전 학습 모델은 DFC2020 데이터셋에서 우수한 성능을 보였다. 특히 다분광 데이터(Sentinel-2)에서 큰 성능 향상이 관찰되었다. 이는 레이더 데이터(Sentinel-1)에 비해 다분광 데이터가 노이즈 레이블 기반 사전 학습에 더 효과적이었음을 시사한다.
향후 연구에서는 비전 트랜스포머 기반 모델에 CromSS를 적용하고, 다양한 노이즈 레이블 유형에 대한 강건성을 평가할 계획이다.
Stats
제안된 CromSS 방법은 DFC2020 데이터셋에서 최대 42.89%의 mIoU 성능을 달성했다.
단일 모달리티 사전 학습 대비 최대 2.01%p의 mIoU 성능 향상이 관찰되었다.
다중 모달리티 사전 학습 시 중간 융합 전략이 후기 융합 전략보다 더 나은 성능을 보였다.
Quotes
"CromSS는 다중 센서 데이터의 상호 보완적인 정보를 활용하여 노이즈 레이블의 부정적인 영향을 완화할 수 있다."
"다분광 데이터(Sentinel-2)가 레이더 데이터(Sentinel-1)에 비해 노이즈 레이블 기반 사전 학습에 더 효과적이었다."