원격탐사(RS) 시대에는 삼림 벌채와 도시화와 같은 다양한 환경적 도전에 의해 토지피복 분류(LCC)에 대한 정확한 수요가 더욱 강화되고 있다. 기존의 접근법은 종종 분류에 얕은 특징에 의존하여, 공간적 패턴과 다양한 토지피복 유형을 포착하는 데 한계가 있다. 이에 본 연구는 이중 토지피복 어텐션 세그먼트를 탑재한 합성곱 신경망(CNN)을 활용하는 새로운 LCC 접근법을 제안한다. 제안된 모듈은 채널 주의(Channel Attention; CA)와 공간 주의(Spatial Attention; SA) 메커니즘을 통합하여 심층 모델의 판별 능력을 향상시킨다. 채널 간 및 공간 간의 관계를 활용함으로써, 이중 어텐션 모듈은 다양한 토지피복 유형, 공간적 패턴, 색상 변이를 식별할 수 있게 한다. 면밀한 실험을 통해 InceptionV3 특징 추출기가 제안된 네트워크 아키텍처를 위한 최적의 백본임이 확인되었다. 또한 다양한 토지피복 유형에 따른 문제를 해결하기 위해, 엄격하게 선별된 데이터셋을 활용한다. 더 나아가 모델의 효율성을 최적화하고 크기를 줄이기 위해, 개선된 모델 압축 접근법을 적용한다. 제안된 이중 토지피복 어텐션 네트워크(Dual Land Cover Attention Network; DLAN)의 유효성은 광범위한 실험을 통해 평가되었으며, 기존 방법들에 비해 우수한 성능을 보이는 것으로 나타났다. 결과는 DLAN이 지역 규모에서 세부적인 농업 구획, 환경 모니터링, 도시 계획을 가능하게 하면서 LCC 작업을 진전시키는 데 잠재력이 있음을 시사한다.

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