클라우드·그림자 분할을 위한 필터드 자카드 손실과 태양광 방향 기반 데이터 증강

** 본 논문은 광학 원격탐사 영상에서 구름과 구름 그림자를 정확히 분리하는 방법을 제시한다. 구름·그림자 마스크는 위성 이미지 전처리 단계에서 필수적이며, 특히 Landsat 8과 같이 제한된 스펙트럼(밴드 2~5, RGB + NIR)만을 활용하는 경우 정확한 구분이 어려운 것이 현실이다. 기존 연구는 크게 임계값 기반, 수작업 특징 기반, 그리고 최근의 딥러닝 기반으로 나뉘지만, 각각 데이터 라벨 부족, 스펙트럼 혼동, 혹은 전경 부재 상황에서의 손실 함수 설계 미비 등의 문제점을 안고 있다. 이에 저자들은 세 가지 주요 기여를 통해 이러한 한계를 극복한다. 첫째, 기존 Cloud‑Net 구조를 경량화하면서도 성능을 유지·향상시킨 Cloud‑Net+를 설계하였다. 1×1 컨볼루션을 적절히 삽입해 파라미터 수를 10 % 줄였으며, Aggregation Branch를 통해 다중 스케일 피처를 효과적으로 결합한다. 둘째, 전경이 전혀 없는 이미지에서도 손실이 과도하게 부과되는 Soft Jaccard의 문제점을 보완한 Filtered Jaccard Loss(FJL)를 도입하였다. FJL은 GT에 전경이 없을 경우 예측 확률의 평균값을 보정항으로 사용해, “클라우드·그림자 없음” 상황에서 모델이 불필요하게 패널티를 받지 않도록 설계되었다. 실험 결과, 동일 네트워크에 FJL을 적용했을 때 mIoU와 F1‑score가 기존 손실 함수 대비 평균 2–4 % 향상되었으며, 특히 0 % 전경 이미지에서 오탐률이 크게 감소하였다. 셋째, 구름 그림자는 태양 고도·방위에 따라 길이와 방향이 달라지는 물리적 특성을 반영한 Sunlight‑Direction‑Aware Augmentation(SDAA)을 제안한다. 메타데이터에 포함된 태양 방위와 고도 정보를 이용해 그림자 마스크를 기하학적으로 변형(길이 스케일링, 방향 회전, 투명도 조절)하고, 이를 원본 이미지와 합성해 새로운 학습 샘플을 만든다. 이 과정은 라벨을 자동으로 재생성하므로 라벨링 비용이 전혀 증가하지 않는다. SDAA를 적용한 결과, 그림자 검출 정확도가 특히 저각 태양 상황에서 5–7 % 상승했으며, 전체 다중 클래스 분할 성능도 유의미하게 개선되었다. 데이터 측면에서는 기존 38‑Cloud 데이터셋에 57개의 Landsat 8 씬을 추가해 95‑Cloud를 공개하였다. 네 개의 공공 데이터셋(38‑Cloud, 95‑Cloud, Biome 8, SP‑ARCS)에서 Cloud‑Net+‑FJL‑SDAA 조합은 기존 최첨단 모델(FMask, U‑Net, RefUNet 등)을 모두 제치고 평균 mIoU = 92.3 %와 F1 = 0.94를 기록하였다. 또한, Pascal VOC 2012에 동일 손실·증강을 적용했을 때, 클래스 불균형이 심한 소규모 객체에서 1.8 % 이상의 mIoU 향상을 확인, 제안된 손실 함수와 증강 기법이 도메인 독립적으로 효과적임을 입증하였다. 논문의 한계로는 현재 RGB + NIR 4밴드만 사용했으며, 열·SWIR 밴드를 포함하면 구름 종류 구분에 더 유리할 수 있다는 점, 그리고 SDAA가 정확한 태양 메타데이터가 필요하므로 메타데이터가 결손된 경우 대체 방안이 필요하다는 점을 언급한다. 향후 연구에서는 멀티스펙트럼(열·SWIR) 통합, 메타데이터 결손 보정, 그리고 실시간 위성 데이터 파이프라인에 적용 가능한 모델 경량화(프루닝, 양자화) 등을 제시한다. **