UAV 멀티스펙트럼 이미지 분류를 위한 반지도학습 GAN

초록

본 논문은 UAV에 장착된 멀티스펙트럼 카메라로 촬영한 농업 현장 영상을, 라벨이 제한된 상황에서도 높은 정확도로 작물·잡초를 구분하기 위해 반지도학습 GAN(Generative Adversarial Network) 모델을 제안한다. 생성기가 가짜 이미지를 생성하고, 다중 클래스 판별기(디스크리미네이터)가 실제·가짜뿐 아니라 작물, 잡초, 배경을 동시에 분류하도록 설계하였다. WeedNet 데이터셋에서 30~50%의 픽셀 라벨만 사용했음에도 F1 점수 0.85 수준을 달성하였다.

상세 분석

본 연구는 기존의 전통적인 GAN 구조를 픽셀‑단위 다중 클래스 분류 문제에 맞게 변형한 점이 가장 큰 특징이다. 일반적인 GAN에서는 디스크리미네이터가 이진(진짜/가짜) 판단만 수행하지만, 여기서는 디스크리미네이터를 완전 컨볼루션 기반의 다중 클래스 분류기로 전환하고, 출력 레이어에 소프트맥스를 적용해 n개의 실제 클래스(작물, 잡초, 배경)와 하나의 가짜 클래스(n+1)를 동시에 예측하도록 설계하였다. 이는 생성기가 만든 가짜 이미지가 실제 데이터와 구별되도록 강제함과 동시에, 실제 이미지의 특징 표현을 강화시켜 라벨이 부족한 상황에서도 효과적인 특징 학습을 가능하게 한다.

Generator는 100차원의 균등 잡음 벡터를 입력으로 받아 4개의 컨볼루션 레이어를 거쳐 1채널(또는 3채널) 이미지를 출력한다. 각 레이어는 256→128→64→32개의 필터를 사용하고, 마지막 레이어는 Tanh 활성화 함수를 적용해 픽셀 값 범위를