다중스케일 관련정보 원리 기반 하이퍼스펙트럼 이미지 분류

초록

본 논문은 원리적 정보 이론(PRI)을 다중스케일 및 다층 구조와 결합한 MPRI(Multiscale Principle of Relevant Information) 모델을 제안한다. PRI를 이용해 스펙트럼‑공간 픽셀을 특징화하고, 정규화 선형 판별 분석(LDA)으로 차원을 축소한다. 여러 스케일의 윈도우를 순차·병렬로 적용해 지역·전역 구조를 동시에 포착하고, 최종적으로 K‑NN 분류기로 라벨을 예측한다. 세 개의 공개 데이터셋 실험에서 제한된 학습 샘플 상황에서도 기존 최첨단 방법들을 크게 능가함을 보였다.

상세 분석

MPRI는 기존 PRI가 제공하는 “정보 감소와 정규화 사이의 트레이드오프”를 β 파라미터 하나로 제어한다는 점을 핵심으로 삼는다. PRI는 2차 레니의 엔트로피와 CS 다이버전스를 결합해 목적함수를 정의하고, 이를 최소화함으로써 데이터의 주성분, 클러스터 중심, 주곡선 등을 연속적으로 추출한다. 논문에서는 이 과정을 HSI의 3차원 데이터 큐브에 적용해, 각 픽셀을 중심으로 다양한 크기(3,5,7,9,11,13)의 로컬 윈도우를 설정한다. 각 윈도우 내에서 PRI 최적화를 반복 수행하고, 최종적으로 중앙 픽셀의 표현을 새로운 스펙트럼‑공간 특징으로 채택한다.

다중스케일 접근은 β가 고정된 상태에서 서로 다른 공간 해상도를 동시에 학습하게 하여, 미세 구조와 거시 구조를 모두 포착한다. 이렇게 얻어진 다중 스케일 특징은 고차원으로 중복될 위험이 있기 때문에, 정규화 LDA를 적용해 클래스 간 분산을 최대화하면서 차원을 압축한다. LDA는 PRI가 제공하는 비선형 변환 뒤에 선형 판별을 수행함으로써, 정보 손실을 최소화하고 분류 경계를 명확히 만든다.

MPRI는 다층 구조를 채택한다. 첫 번째 레이어는 원시 HSI에 대해 위의 PRI‑LDA 과정을 수행하고, 두 번째 레이어는 첫 레이어에서 얻은 저차원 특징을 입력으로 동일 절차를 반복한다. 이렇게 “코스‑투‑파인” 방식으로 레이어를 쌓을수록 특징 공간은 점점 더 구분 가능해지며, 최종 레이어의 출력은 K‑NN 분류기에 바로 전달된다. 중요한 점은 역전파(back‑propagation)를 전혀 사용하지 않는다는 것이다. 각 레이어는 독립적으로 최적화되므로 학습 비용이 크게 감소하고, 제한된 라벨 데이터에서도 안정적인 성능을 보인다.

실험에서는 인도네시아의 Pavia University, Indian Pines, Salinas 등 세 개의 벤치마크 데이터셋을 사용했다. 학습 샘플을 10, 20, 30, 50개씩 제한했을 때, MPRI는 전체 정확도(OA), 평균 정확도(AA), Kappa 계수 모두 기존 PCA‑EPF, HIFI, SAE‑LR, 3D‑CNN 등을 크게 앞섰다. 특히 β 값이 0.30.7 사이에서 최적 성능을 보였으며, 레이어 수가 34개일 때 가장 높은 정확도를 기록했다. 또한, 다중 스케일 윈도우를 병렬 처리함으로써 연산 시간도 합리적인 수준을 유지했다.

이러한 결과는 정보 이론 기반의 PRI가 하이퍼스펙트럼 데이터의 복잡한 비선형 구조를 효과적으로 모델링할 수 있음을 시사한다. 특히, 데이터가 고차원이면서 라벨이 희소한 상황에서, 전통적인 차원 축소 기법이나 딥러닝 기반 모델보다 더 견고한 일반화 능력을 제공한다는 점이 큰 강점이다.