최근 몇 년간 딥러닝은 다시기 원격탐사 영상 변화 감지 작업에서 엄청난 잠재력을 보여주고 있습니다. 충분한 학습 샘플은 딥러닝 기술이 원격탐사 영상 변화 특징을 효과적으로 추출할 수 있는 중요한 전제 조건입니다. 그러나 현재 제한적인 공개 라벨 데이터셋은 실제 응용에서 다양한 변화 유형 검출 요구를 충족하지 못하고 있습니다. 지표 피복 변화는 일반적으로 일부 영역에만 국한되기 때문에 얻을 수 있는 변화 샘플은 수가 매우 적으며, 변화가 없는 샘플과 비교할 때 심각한 불균형 문제가 존재합니다. 따라서 소수 샘플과 불균형 샘플 상황에서 변화 감지 네트워크를 효과적으로 학습시키는 방법은 시급히 해결해야 할 난제입니다. 변화 감지 샘플과 비교하여 단일 시기 지표 피복 분류 샘플 획득은 훨씬 수월하며, 분류 샘플의 지원 하에 충분히 학습된 지표 피복 분류 네트워크는 변화 감지에 중요한 사전 특징을 제공할 수 있습니다. 이에 본 논문은 분류 후행 확률 공간 기반의 쌍둥이 Nested-UNet 변화 감지 네트워크 SNU-PS(Siamese Nested-UNet for change detection in Posterior Probability Space)를 제안하며, 두 시기의 지표 피복 분류 후행 확률 정보를 결합하여 변화 감지 샘플 의존도를 줄입니다. 본 방법은 우선 지표 피복 분류 샘플을 활용해 고해상도 네트워크 HRNet(High-Resolution Network)을 학습시켜 두 시기 영상의 지물 분류 후행 확률을 얻고, 후행 확률 영상을 쌍둥이 Nested-UNet 변화 감지 네트워크 SNU(Siamese Nested-UNet for change detection)에 입력해 변화 감지 결과를 도출합니다. SpaceNet7 및 HRSCD 데이터셋에서의 테스트 결과는 SNU-PS가 지표 피복의 의미론적 정보를 충분히 활용하여 다양한 변화 감지 학습 샘플 수 수준에서 안정적인 변화 감지 정확도를 유지함을 보여줍니다. 분류 후 비교 PCC(Post Classification Comparison), 후행 확률 공간 기반 변화 벡터 분석 CVAPS(Change-vector analysis in posterior probability space) 및 다양한 유형의 변화 감지 네트워크(SNU, FC-EF, BIT, PCFN)와 비교할 때 SNU-PS는 더 높고 안정적인 변화 감지 정확도를 가지며, 특히 샘플 수가 부족할 때 그 장점이 더욱 뚜렷합니다. 따라서 본 논문에서 제안한 SNU-PS는 소수 샘플 환경에서의 변화 감지 작업에 더 나은 적용 전망을 가집니다.

지표 피복; 변화 감지; 딥러닝; 소수 샘플; 샘플 불균형; 의미론적 분할 네트워크; 쌍둥이 네트워크; 후행 확률