Core Concepts
최신 1D 및 2D 합성곱 신경망 모델을 이용하여 인공위성 초분광 데이터의 구름 탐지 및 분류 성능을 평가하고, 궤도상 배치를 위한 최적의 모델을 제안한다.
Abstract
이 연구는 인공위성 초분광 데이터에서 구름 탐지를 위한 최신 합성곱 신경망 모델들의 성능을 평가하였다.
먼저 NASA의 EO-1 Hyperion 데이터셋을 활용하여 주성분 분석(PCA)을 수행하였다. PCA 결과를 바탕으로 1개, 6개, 98개의 채널을 선택하여 실험을 진행하였다.
실험에 사용된 모델은 nnU-Net, 2D-Justo-UNet-Simple, 1D-Justo-LiuNet이다.
실험 결과, 1D-Justo-LiuNet 모델이 98개 채널을 사용할 때 가장 높은 정확도를 보였다. 그러나 채널 수가 감소하면 2D 모델들의 성능이 더 우수해졌다. 특히 nnU-Net이 6개 채널에서 가장 좋은 성능을 보였다.
모델 크기와 추론 속도 측면에서는 2D-Justo-UNet-Simple이 가장 효율적이었다. 1D-Justo-LiuNet은 정확도가 높지만 추론 시간이 길어 하드웨어 가속이 필요할 것으로 보인다.
따라서 궤도상 배치를 위해서는 2D-Justo-UNet-Simple이 정확도, 메모리 사용량, 추론 시간 측면에서 가장 적합한 것으로 판단된다. 반면 nnU-Net은 지상 처리에 더 적합하다.
Stats
1205.07 nm 파장의 채널이 전체 PCA에서 가장 큰 가중치를 가진다.
구름 없음 클래스의 경우 711.72 nm, 905.05 nm, 1104.19 nm, 1316.05 nm, 1759.89 nm, 2244.22 nm 채널이 가장 중요하다.
Quotes
"1D-Justo-LiuNet 모델이 98개 채널을 사용할 때 가장 높은 정확도를 보였다."
"2D-Justo-UNet-Simple이 정확도, 메모리 사용량, 추론 시간 측면에서 궤도상 배치에 가장 적합하다."