토지이용 및 토지피복(Land Use and Land Cover, LULC) 분류는 자원의 소모를 관리하고 인구 증가의 영향을 완화하기 위한 지난 10년간의 핵심 역할을 한다. 이는 급속한 도시화, 농업, 기후 변화, 해안 지역, 재난 복구 등 여러 분야에서 활용된다. 전통적인 원격탐사(RS) 기법은 해안 지역 및 LULC와 같은 동적이고 복잡한 항공 영상(이하 Ariel Scenes)을 정확하게 분류하는 데 한계를 겪는다. 본 논문은 원격탐사 영상을 이용하여 LULC 및 해안 지역을 분류하기 위한 새로운 Squeeze-Excitation Multi-Scale Fusion Network(SEMSF-Net)를 제안한다. 제안된 모델은 인셉션(inception) 블록과 덴스(dense) 블록을 각각 별도로 삽입한 후, 초기 단계에서 squeeze-excitation 블록을 기반으로 구성된다. 이러한 블록은 다중 규모(multi-scale)를 바탕으로 더 중요하고 유의미한 특징 정보를 생성하도록 설계되어, 이후 정확한 분류를 수행할 수 있게 한다. 다음 단계에서는 이들 블록을 네트워크 수준에서 융합하며, 병목(bottleneck) 및 역잔차(inverted residual) 블록을 연결하여 학습 가능한 매개변수를 감소시키고 특징의 강도를 향상시킨다. 이 네트워크의 하이퍼파라미터는 제안 모델의 학습에 활용된 여러 실험을 바탕으로 선정하였다. 학습된 SEMSF-Net 아키텍처는 테스트 단계에서도 사용되며, 분류가 수행된다. 또한 GradCAM을 사용하여 학습된 모델의 시각적 예측을 해석한다. 실험 과정에는 Coastal 데이터셋, MLRSNet, NWPU의 세 가지 데이터셋이 활용되었다. 해당 데이터셋들에서 각각 94.94%, 93.7%, 95.70%의 향상된 정확도를 얻었다. 추가로 거시적 재현율(macro recall rate)은 각각 79.0, 93.0, 96%였다. 여러 최근 기법과의 비교 결과, 제안 모델은 선택된 데이터셋들에서 더 우수한 성능을 보였다.

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