원격탐사(RS) 이미지 분할 데이터셋에서의 라벨링 오류는 모호한 클래스 경계, 혼합 픽셀, 그림자, 복잡한 지형 특성, 그리고 주관적인 라벨러 편향으로 인해 종종 암묵적이고 미묘하게 남아 있다. 또한 라벨링 비용이 높아 주석이 달린 RS 데이터의 양이 부족하다는 점은 잡음에 강인한 모델을 학습시키는 데 어려움을 가중한다. 위에서 언급한 문제를 해결하기 위해 라벨 선택 또는 잡음 보정과 같은 정교한 메커니즘이 가능할 수 있으나, 대체로 학습 시간을 증가시키고 구현 복잡성을 더한다. 본 논문에서는 이 문제를 완화하기 위한 단순하면서도 효과적인 데이터 증강 솔루션인 NSegment를 제안한다. 전통적인 방법과 달리, 분할 라벨에 대해서만 탄성 변환을 적용하며, 각 학습 에폭에서 샘플마다 변형 강도를 달리하여 주석의 불일치를 해소한다. 실험 결과, 본 접근법은 다양한 최신(state-of-the-art) 모델에 비해 RS 이미지 분할 성능을 향상시키는 것으로 나타났다.

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