원격탐사는 전 세계적으로 수행되는 인위적(anthropogenic) 연구 분야이다. 이는 기후 모니터링, 재난 예측, 토지 이용 계획과 같은 중요 응용에서 상당한 성과를 거두었다. 그러나 스케일의 다양성, 클래스 내부 유사성, 복잡한 장면으로 인해 정확한 인식 과정은 여전히 어려운 과제로 남아 있다. 변환기(Transformers)의 전역적 주의(global attention) 메커니즘은 CNN의 국소 수용장(local receptive fields) 한계를 극복하는 데 도움이 되지만, 계산 복잡도가 증가한다는 단점이 있다. 이러한 도전 과제를 극복하기 위해 본 연구는 원격탐사 이미지 분류 성능 향상을 위한 적응적 스케일-공간 피라미드 네트워크(Adaptive Scale-Space Pyramid Network, ASSPN)를 제안한다. ASSPN의 아키텍처는 다중 스케일 특징 표현을 위한 학습 가능한 가우시안 피라미드 모듈, 특징의 관련성을 동적으로 가중하는 스케일 선택 주의(scale selection attention) 메커니즘, 불확실성에 의해 유도된 융합을 위한 교차-특징 전파(cross-feature propagation) 모듈, 의미적으로 구별적인 특징을 보존하기 위한 복잡도 인지 적응 풀링(complexity-aware adaptive pooling) 모듈로 구성된다. 실험은 EuroSAT, NWPU-RESISC-45, MLRSNet의 세 가지 벤치마크 데이터셋에서 수행되었다. 이들 데이터셋에서 ASSPN은 각각 96.14%, 94.73%, 95.42%의 정확도를 달성하며 최첨단의 성능을 보였다. 또한 획득한 정확도는 이전의 CNN 및 변환기 기반 시스템보다 유의미한 격차로 우수함을 나타낸다. 더불어 ASSPN은 잡음 교란(noise perturbation)에 강건하며, 다양한 토지피복 범주 전반에 걸친 일반화 능력도 보여준다. 절제(ablation) 연구는 핵심 모듈들의 상보적 이점을 입증하였고, LIME 기반 설명 가능성 분석은 모델의 예측 신뢰성을 확인하였다.

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