생성적 적대 신경망과 조건부 랜덤 필드 기반 초분광 이미지 분류

초분광 이미지(HSI)는 수백 개에 이르는 스펙트럼 밴드와 2차원 공간 정보를 동시에 포함하고 있어, 토지 피복 분류와 같은 정밀한 원격 탐사 작업에 필수적인 데이터이다. 그러나 높은 차원의 스펙트럼 특성, 라벨링 비용이 큰 제한된 학습 샘플, 그리고 분류 결과의 경계 잡음이라는 세 가지 핵심 문제 때문에 기존의 딥러닝 기반 방법들은 충분히 활용되지 못하고 있다. 본 논문은 이러한 문제를 동시에 해결하고자, 스펙트럼‑공간 특성을 반영한 전용 컨볼루션·전치 컨볼루션 레이어를 갖는 반감독 생성적 적대 신경망(GAN)과, GAN의 소프트맥스 출력을 초기값으로 하는 전밀도 조건부 랜덤 필드(CRF)를 결합한 SS‑GAN‑CRF 프레임워크를 제안한다. 먼저, 논문은 네 가지 기본 레이어를 설계한다. (a) 스펙트럼 컨볼루션은 1‑D 커널을 사용해 각 픽셀의 스펙트럼 차원을 직접 처리하고, (b) 공간 컨볼루션은 2‑D 커널로 인접 픽셀의 공간 구조를 학습한다. 생성기에서는 이와 반대 방향의 전치 컨볼루션을 적용해, 가우시안 잡음 벡터를 입력으로 동일한 크기의 HSI 큐브를 합성한다. 판별기(D)는 실제 라벨이 있는 HSI 큐브와 생성기가 만든 가짜 큐브를 구분하면서, 동시에 다중 클래스 확률을 출력한다. 라벨이 없는 데이터에 대해서는 ‘진짜/가짜’ 이진 라벨만을 사용해 D를 훈련시키므로, 라벨이 부족한 상황에서도 효과적인 학습이 가능하다. 학습 과정은 전통적인 GAN의 최소‑최대 게임을 교대로 최적화하는 방식으로 진행된다. D와 G 사이의 경쟁을 통해 D는 제한된 라벨 샘플과 대량의 합성 샘플을 모두 활용해 강건한 스펙트럼‑공간 특징을 학습하고, G는 실제 데이터 분포를 점점 더 정확히 모방하도록 개선된다. 훈련이 완료된 뒤, D의 소프트맥스 출력은 CRF의 유니터리 항으로 사용된다. 여기서는 완전 연결형(fully‑connected) CRF를 적용해 모든 픽셀 쌍 사이에 장거리 상관관계를 모델링한다. 이진 항은 픽셀 간 스펙트럼·공간 유사도 기반의 가우시안 커널로 정의되어, 인접 픽셀이 동일 클래스로 라벨링될 확률을 높인다. 평균장(mean‑field) 근사를 통해 최적화된 라벨 맵을 얻음으로써, GAN만으로 발생할 수 있는 경계 잡음과 작은 객체의 오분류를 효과적으로 정제한다. 실험에서는 두 개의 대표적인 HSI 데이터셋인 Indian Pines와 University of Pavia를 사용하였다. 각각 10~30개의 라벨 샘플만을 이용했음에도 불구하고, 제안된 SS‑GAN‑CRF 모델은 전체 정확도(OA)와 평균 클래스 정확도(AA)에서 기존 최첨단 반감독 방법들을 능가하였다. 특히, CRF 후처리 단계가 없는 순수 GAN 결과와 비교했을 때 경계 부드러움과 소규모 클래스 복원에서 현저한 개선을 보였다. 또한, 생성된 합성 데이터가 실제 데이터와 유사한 스펙트럼‑공간 분포를 유지함을 시각화 결과와 정량적 지표를 통해 확인하였다. 논문의 주요 기여는 다음과 같다. (1) 스펙트럼‑공간 특화 레이어 설계로 라벨이 적은 상황에서도 강건한 특징 학습이 가능하도록 함, (2) 합성 데이터 생성을 통해 라벨 부족 문제를 근본적으로 완화함, (3) 전밀도 CRF를 통한 장거리 상관관계 모델링으로 분류 지도 품질을 크게 향상시킴. 한편, GAN 훈련의 불안정성, 하이퍼파라미터 민감도, 그리고 대규모 실시간 적용 시 연산 비용이 아직 해결 과제로 남아 있다. 향후 연구에서는 Wasserstein GAN 등 안정화 기법과 경량 CRF 근사 방법을 도입해 실시간 원격 탐사 시스템에 적용하는 방향이 기대된다.