심층 의미 분할은 고해상도 원격탐사 장면 이해에 매우 중요합니다. 원격탐사 이미지는 각 범주 지물의 수와 규모 차이가 크고 복잡한 공간 및 의미적 특징을 가지며, 공간 및 의미 특징을 직접 중첩하여 융합하는 방식은 이미지에 내재된 풍부한 특징을 충분히 활용하지 못하는 단점이 있습니다. 따라서 특징 추출의 타겟팅 부족 및 특징 활용 부족 문제를 해결하기 위해 본 논문에서는 삼분기 집성 네트워크 기반의 고해상도 원격탐사 이미지 의미 분할 알고리즘을 제안합니다. 먼저, 공간 및 의미 특징을 각각 대상으로 하여 다양한 특징 추출 분기를 설계하여 원격탐사 이미지의 공간 및 의미 정보를 충분히 활용하고 특징 간 보완성을 강화하였습니다. 둘째, 의미 및 공간 일관성 특징 학습을 목적으로 하는 일관성 분기 개념을 제안하여 네트워크의 분할 성능을 높였습니다. 마지막으로, 삼분기 특징에 가중치 융합을 수행하는 다중 스케일 특징 융합 모듈을 제안하여 모델의 적응 능력을 향상시켰습니다. 또한 본 논문에서는 공간 일관성에 주목한 무작위 샘플링 자르기 데이터 증강 방법을 제안하고, 혼합 손실 함수를 도입하여 데이터셋 내 클래스 수 불균형 문제를 해결해 클래스 샘플 수 부족으로 인한 과적합 문제를 효과적으로 완화하였습니다. 실험 검증 결과, 제안된 알고리즘은 ISPRS Potsdam 및 Vaihingen 데이터셋에서 평균 교집합비가 각각 87.84%와 87.49%에 달하는 것으로 나타나, 본 알고리즘이 고해상도 원격탐사 이미지의 의미 및 공간 특징을 효율적으로 추출 및 융합하여 원격탐사 이미지 분할 정확도를 향상시킬 수 있음을 입증하였습니다.

고해상도 원격탐사 이미지;의미 분할;다중 스케일 융합;데이터 증강;다중 분기 특징 추출;공간 일관성