원격탐사 변화탐지 모델은 새로운 지역이나 계절, 센서 조건에 맞춰 단계적으로 적응할 때 이전에 익힌 변화를 잊기 쉽다. Nanjing University of Information Science and Technology 연구진이 공개한 arXiv 프리프린트는 이런 도메인-점진 학습 상황에서, 변화 단서를 직접 반영하는 적응 모듈과 주파수 영역의 증류를 결합한 DG-FDD를 제안했다.
이 방법은 두 갈래 구조의 시계열 영상에서 특징 차이를 먼저 계산해 변화가 두드러지는 채널을 강화하는 DGDA를 둔다. 동시에 FDKD-CS는 역사 도메인의 진폭 정보와 현재 도메인의 위상 정보를 분리·재조합해, 과거 데이터를 다시 불러오지 않고도 지식 전달을 유지하도록 설계됐다. 논문은 고해상도 원격탐사 변화탐지에서 흔한 분포 이동을 배경으로, 이미지 수준 표현만 지키는 기존 점진학습이 시계열 차이 단서를 충분히 활용하지 못했다고 본다. 아래 Landsat 비교처럼 같은 지역을 다른 시점에 촬영한 영상은 도시 확장 같은 변화를 드러내지만, 센서·계절·지역이 달라지면 영상의 색과 분포도 함께 바뀐다.
평가는 세 개의 공개 고해상도 RSCD 데이터셋에서 이뤄졌다. 두 도메인 점진 프로토콜에서는 여섯 개 순서에서 독립 학습 단일 작업 모델과 비교해 F1 평균 상대변화가 -0.23%, IoU는 -0.45%였다. 세 도메인 프로토콜의 세 개 평가 순서에서는 F1이 -0.69%, IoU가 -1.31%로 보고됐다. 논문은 이를 역사 지식 보존과 새 도메인 적응 사이의 균형이 양호하다는 신호로 해석했다.
구조를 보면 DGDA는 절대 차이 맵과 전역 평균 풀링으로 얻은 통계를 결합해 채널 주의를 계산하고, L1형 희소성 제약으로 과도한 채널 활성화를 억제한다. FDKD-CS는 고정된 교사 모델에서 얻은 역사 도메인 진폭 원형을 저장한 뒤, 새 도메인의 위상과 결합해 역퓨리에 변환으로 합성 특징을 만든다. 여기에 위상 일치 손실을 더해 학생의 공간 구조가 교사의 안정된 구조 표현과 어긋나지 않게 한다.
| 항목 | 값 | 근거 위치 |
|---|---|---|
| 평가 데이터셋 | 3개 공개 고해상도 RSCD 데이터셋 | Abstract |
| 두 도메인 프로토콜 성능 | 여섯 개 시퀀스에서 F1 평균 상대변화 -0.23%, IoU 평균 상대변화 -0.45% | Abstract |
| 세 도메인 프로토콜 성능 | 세 개 평가 시퀀스에서 F1 평균 상대변화 -0.69%, IoU 평균 상대변화 -1.31% | Abstract |
| DGDA 핵심 | bitemporal feature discrepancies를 이용한 difference-guided dynamic adapter | 3.3 |
| FDKD-CS 핵심 | historical amplitude prototypes와 current-domain phase를 결합한 frequency-decoupled distillation | 3.4 |
자료: STORIUM 정리
저자 표기상 첫 저자는 School of Remote Sensing and Geomatics Engineering, Nanjing University of Information Science and Technology 소속으로 적혀 있다. 코드 공개 예정 주소도 기재돼 있으나, 논문 본문 기준으로는 아직 동료검토 전 상태의 초록과 방법, 실험 결과를 담은 공개 원고다. 이번 결과는 고정된 라벨 공간을 유지하면서 도메인이 바뀌는 원격탐사 변화탐지에서, 시간쌍 차이와 주파수 분해를 함께 다루는 설계가 망각 완화에 도움이 될 수 있음을 보여준다.
저작권자 © STORIUM 무단전재 및 재배포 금지
