Network-Level Fusion for Remote Sensing/Aerial/Coastal Image Classification and Interpretation
연구 내용
원격탐사 위성·항공·해안 영상을 대상으로 self-attention 기반 모델과 Vision Transformer를 네트워크 레벨에서 융합하여 분류하고 설명 가능한 해석을 제공하는 연구
원격탐사(Land Use and Land Cover, LULC) 및 해안·항공 장면 분류에서 저해상도 문제와 복잡한 패턴 변이를 동시에 다루기 위해, self-attention 병목 기반 CNN과 16-tiny Vision Transformer를 네트워크 레벨로 결합하는 구조를 설계합니다. 모델 학습에서는 데이터 불균형을 보정하는 증강을 적용하고, 하이퍼파라미터는 Bayesian Optimization으로 초기화하여 학습 안정성과 성능을 확보합니다. 또한 super-resolution, 다중 스케일 융합, Squeeze-Excitation 및 Mixture-of-Experts로 특징 표현을 확장하며, Grad-CAM과 LIME 기반 시각적 근거를 제공하는 방식으로 판독 신뢰성을 보완합니다.
관련 연구 성과
관련 논문
6편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
초기에는 원격탐사 영상의 LULC 분류에서 깊은 특징 학습이 성능을 좌우한다는 관점으로, self-attention bottleneck 및 residual 기반 네트워크 구조를 설계하고 데이터 불균형 문제를 증강으로 보완하는 연구를 수행했습니다. 이후 네트워크 레벨 융합으로 CNN 계열과 16-tiny Vision Transformer의 장점을 결합하고, Bayesian Optimization을 통해 하이퍼파라미터 탐색 절차를 정립했습니다. 이후에는 super-resolution·다중 스케일 융합·경량 MoE로 모델 복잡도를 관리하면서 분류 정확도를 개선하는 방향으로 확장되었고, Grad-CAM 등 해석 기법을 함께 적용하여 응용 적합성을 높였습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
A Novel Network-Level Fusion Architecture of Proposed Self-Attention and Vision Transformer Models for Land Use and Land Cover Classification From Remote Sensing Images
A Unified Super-Resolution Framework of Remote-Sensing Satellite Images Classification Based on Information Fusion of Novel Deep Convolutional Neural Network Architectures
FMANet: Super-Resolution Inverted Bottleneck-Fused Self-Attention Architecture for Remote Sensing Satellite Image Recognition
SEMSF-Net: Explainable Squeeze–Excitation Multiscale Fusion Network for Aerial Scene and Coastal Area Recognition Using Remote Sensing Images
LiteDenseMoE: An Explainable Lightweight Densely Connected Mixture-of-Experts Network for Aerial Scene Recognition in Low Contrast Remote Sensing Images
A Novel Approach for High-Resolution Coastal Areas and Land Use Recognition From Remote Sensing Images Based on Multimodal Network-Level Fusion of SRAN3 and Lightweight Four Encoders ViT