Core Concepts
이 연구는 항공 장면 분류 작업에서 딥 메트릭 러닝 접근법과 딥 러닝 아키텍처의 성능을 비교하고, 다양성 분석을 통해 UMDA 알고리즘을 사용하여 분류기 앙상블을 구축함으로써 분류 성능을 향상시키는 것을 목표로 합니다.
Abstract
이 연구는 항공 장면 분류 작업에서 딥 메트릭 러닝 접근법과 딥 러닝 아키텍처의 성능을 비교하고, 다양성 분석을 통해 UMDA 알고리즘을 사용하여 분류기 앙상블을 구축함으로써 분류 성능을 향상시키는 것을 목표로 합니다.
실험에서는 6가지 딥 메트릭 러닝 접근법(Contrastive, ProxyAnchor, SoftTriple, SupCon, Triplet, NNGK)과 4가지 딥 러닝 아키텍처(ResNet18, ResNet50, VGG16, VGG19)를 사용하여 3개의 원격 탐사 항공 장면 데이터셋(AID, UCMerced, RESISC45)에 대한 분류 성능을 평가했습니다.
실험 결과, 딥 메트릭 러닝 접근법은 사용된 딥 러닝 아키텍처에 따라 성능 변화가 크게 나타났습니다. 또한 딥 메트릭 러닝 기반 분류기들 간에 상호 보완적인 정보를 가지고 있음을 확인했습니다.
이를 바탕으로 UMDA 알고리즘을 사용하여 분류기 앙상블을 구축한 결과, 단순 다수결 투표 방식보다 우수한 성능을 보였으며, 개별 최고 성능 분류기 대비 최대 21.87%의 성능 향상을 달성했습니다.
Stats
AID 데이터셋에서 UMDA 기반 앙상블은 93.77%의 정확도를 달성하여 최고 성능 분류기 대비 7.32% 향상되었습니다.
UCMerced 데이터셋에서 UMDA 기반 앙상블은 84.92%의 정확도를 달성하여 최고 성능 분류기 대비 9.29% 향상되었습니다.
RESISC45 데이터셋에서 UMDA 기반 앙상블은 96.73%의 정확도를 달성하여 최고 성능 분류기 대비 5.60% 향상되었습니다.