Core Concepts
제안된 지식 임베디드 대조 학습 프레임워크(KnowCL)는 지도 학습, 비지도 학습, 준지도 학습을 통합하여 초분광 영상 분류 성능을 크게 향상시킬 수 있다.
Abstract
이 논문은 초분광 영상 분류를 위한 새로운 지식 임베디드 대조 학습 프레임워크(KnowCL)를 제안한다.
먼저, 데이터 처리 모듈에서는 현실적인 데이터 분할 전략과 다양한 데이터 증강 기법을 사용하여 초분광 영상의 스펙트럼-공간 정보를 효과적으로 활용한다.
인코더 모듈에서는 ViT와 ResNet 등 다양한 백본 네트워크를 사용할 수 있도록 설계되었다.
손실 함수 모듈에서는 지도 학습과 비지도 학습의 손실을 적응적으로 융합하는 새로운 손실 함수를 제안하였다.
이를 통해 KnowCL은 지도 학습, 비지도 학습, 준지도 학습을 통합적으로 수행할 수 있으며, 기존 방법들에 비해 우수한 성능을 보인다.
Stats
초분광 영상 분류에서 기존 모델들은 매개변수 수와 FLOPs가 매우 큰 편이다.
준지도 학습 모델의 경우 전체 영상을 메모리에 입력하여 FLOPs가 수십 또는 수백 배 증가한다.
비지도 학습 모델은 각 이미지 블록을 개별적으로 학습하므로 학습 시간이 오래 걸린다.
Quotes
"제안된 새로운 분류 패러다임은 초분광 영상 분류 기술 탐색에 큰 잠재력을 보여준다."
"KnowCL은 지도 학습, 비지도 학습, 준지도 학습을 통합하여 초분광 영상 분류 성능을 크게 향상시킬 수 있다."