육상 원격탐사 영상 분류는 진행 중인 지리적 및 환경적 변화를 이해하는 데 핵심적이다. 이는 토지 이용 및 토지 피복 분류, 작물 및 식생 분류, 변화 탐지, 그리고 연안 및 항공 지역의 분류에 도움을 준다. 많은 고급 기법들이 모델에 대한 일부 실질적인 수정에 기반하여 도입되었으나, 그 결과 적응하기 어려운 복잡한 프레임워크가 초래되었다. 본 연구에서는 원격탐사 영상을 이용하여 항공 및 연안 지역 분류를 위한 경량 경량 밀집 혼합전문가(Lightweight Dense Mixture of Experts; LiteDenseMoe) 모델을 새롭게 제안한다. 제안된 모델은 초기 단계에서 경량 밀집 레이어를 포함하는 경량의 밀집 블록과, 채널 및 공간 주의(attention) 메커니즘을 통합한다. 그 다음, 결과 모델은 복잡한 항공 장면에 대한 정확한 예측을 위해 더 관련성 있고 본질적인 특징을 추출한 Mixture of Experts 블록과 추가로 결합된다. 제안된 모델의 학습 과정에서는 수동 선택 대신 하이퍼파라미터 초기화를 위해 Hyperband Optimization 기법을 사용한다. 제안된 모델을 학습한 후에는 분류를 수행하고, 출력 해석을 함께 수행한다. 제안된 LiteDenseMoe 아키텍처는 세 가지 데이터셋에서 평가되었으며, 0.3백만 개의 파라미터만으로 MLRSNet에서 93.25%, NWPU-RESISC45에서 92.56%, EuroSAT 데이터셋에서 96.54%의 정확도를 달성하였다. Moe 결과를 해석하기 위해 전문가 할당 및 클래스별 전문가 신뢰도, Expert disagreement Network, t-SNE 시각화 또한 관찰한다. 상세한 절제(Ablation) 연구와 사전학습(pre-trained) 및 SOTA 모델과의 비교 분석은 항공 및 연안 지역 분류를 위한 제안 아키텍처의 영향과 효율성을 확인한다.

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