고해상도 원격탐사 영상의 이용 가능성이 크게 향상되면서 원격탐사 영상의 정교한 목표 탐지가 원격탐사 및 컴퓨터 비전 분야에서 중요한 연구 방향이 되었습니다. 원격탐사 영상 정교한 목표 탐지에서 유사 데이터의 활용 부족, 잘못된 레이블이 모델 정확도에 미치는 영향, 유사한 클래스 간 구분의 어려움 등의 문제를 해결하기 위해 본 논문에서는 이중 분류 헤드 기반 원격탐사 영상 정교한 목표 탐지 방법을 제안합니다. 먼저, 원격탐사 영상 정교한 목표 탐지에서 유사 데이터를 효과적으로 활용하지 못하는 문제를 해결하기 위해 이중 분류 탐지 헤드를 제안하였으며, 각기 다른 분류 헤드는 서로 다른 데이터셋에 대해 학습하여 서로 다른 클래스 정의를 가진 유사 데이터가 공동으로 학습에 참여하도록 하여 유사 데이터 활용을 효과적으로 개선하고 모델 정확도를 크게 향상시켰습니다. 둘째, 학습 레이블 노이즈 문제를 해결하기 위해 예측 기반 잘못된 레이블 필터링 방법을 설계하여 잘못된 레이블이 모델 학습에 미치는 영향을 줄였습니다. 마지막으로, 정교한 목표 탐지에서 클래스 내 차이가 크고 클래스 간 차이가 작은 문제를 해결하기 위해 Margin 크로스 엔트로피 손실 함수를 정의하여 분류 경계를 확장해 모델 정확도를 향상시켰습니다. 정교한 원격탐사 목표 탐지 대회 데이터셋과 FAIR1M 데이터셋에서의 실험 결과, 제안한 방법이 원격탐사 영상 목표 정교한 탐지의 정확도와 강인성을 크게 향상시켰음을 보였습니다. 코드는 https://github.com/zf020114/DCH에 오픈소스로 공개되어 있습니다.

원격탐사;딥러닝;정교한 목표 탐지;지향적 목표 탐지;이중 분류 헤드;잘못된 레이블 필터링;Margin 크로스 엔트로피 손실