원격탐사 영상 분류는 장면의 복잡성과 상공(수직) 시점으로 인한 시각적 특징의 변동성 때문에 고유한 어려움을 수반한다. 전통적인 합성곱 신경망(CNN)은 장거리 의존성을 처리하고 정확한 분류를 위해 충분한 문맥 정보를 추출하는 데 어려움을 겪는다. 이에 대응하여, 우리는 원격탐사 장면 분류를 위해 특별히 설계된 Transformer 아키텍처에 로컬 어텐션 선택 모듈을 통합하는 새로운 접근인 LSViT 모델을 제안한다. LSViT는 식별에 유리한 토큰을 선택하고 중복 정보를 제거함으로써 분류 성능을 향상시킨다. 본 모델은 전역 및 국소 특징을 모두 포착하는 Transformer의 역량을 활용하여 중요한 이미지 영역에 대한 집중을 개선한다. 우리는 LSViT를 두 개의 벤치마크 데이터셋인 AID와 NWPU-RESISC45에서 평가하였으며, 전통적인 CNN 및 다른 Transformer 기반 방법과 비교해 최신 수준의 정확도를 달성하는 등 경쟁력 있는 성능을 보임을 확인하였다. 특히, 로컬 어텐션 선택 모듈은 중첩되는 객체와 복잡한 배경을 포함한 장면을 분류하는 모델의 능력을 향상시켜, 대규모 원격탐사 영상 분류 과제에 효과적인 해결책이 된다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.