Основные понятия
원격 탐사 이미지의 미묘한 변화와 큰 변화를 모두 효과적으로 포착하기 위해 합성곱 신경망과 자기 주의 메커니즘을 결합한 하이브리드 변화 인코더를 제안한다.
Аннотация
이 논문은 원격 탐사 이미지의 변화 탐지를 위한 효과적인 방법을 제안한다. 기존의 합성곱 신경망 기반 접근법은 장거리 의존성을 포착하는 데 어려움을 겪었고, 최근 트랜스포머 기반 방법은 전역 표현에 의해 지배되어 장면의 복잡성으로 인해 미묘한 변화 영역을 포착하는 데 제한적이었다.
이를 해결하기 위해 저자들은 시애미스 기반 프레임워크를 제안한다. 핵심은 지역 및 전역 특징 표현을 활용하여 미묘한 변화와 큰 변화 특징 정보를 모두 포착할 수 있는 변화 인코더를 도입하는 것이다. 다중 스케일 특징을 활용하여 변화 영역을 정확하게 추정한다.
실험 결과, 제안 방법은 두 가지 어려운 변화 탐지 데이터셋에서 최신 기술 수준을 능가하는 성능을 보였다. 정량적 및 정성적 평가에서 제안 방법이 미묘한 변화와 큰 변화 영역을 모두 효과적으로 포착할 수 있음을 확인했다.
Статистика
제안 방법은 LEVIR-CD 데이터셋에서 84.94%의 IoU 점수를 달성하여 기존 최고 성능을 능가했다.
CDD-CD 데이터셋에서도 95.41%의 IoU 점수를 달성하며 우수한 성능을 보였다.
Цитаты
"기존 합성곱 신경망 기반 접근법은 장거리 의존성을 포착하는 데 어려움을 겪었고, 최근 트랜스포머 기반 방법은 전역 표현에 의해 지배되어 미묘한 변화 영역을 포착하는 데 제한적이었다."
"제안 방법은 지역 및 전역 특징 표현을 활용하여 미묘한 변화와 큰 변화 특징 정보를 모두 포착할 수 있는 변화 인코더를 도입했다."