양방향 도메인 적응을 통한 초분광 이미지 분류 혁신

초록

본 논문은 소스와 타깃 도메인 각각에 독립적인 적응 공간을 학습하고, 이들 사이의 상호작용을 양방향으로 모델링하는 Bi‑directional Domain Adaptation (BiDA) 프레임워크를 제안한다. 트리플‑브랜치 트랜스포머 구조와 Coupled Multi‑head Cross‑attention(CMCA), 양방향 증류 손실, 그리고 Adaptive Reinforcement Strategy(ARS)를 결합해, 스펙트럼 이동이 큰 교차‑시나리오에서도 도메인 불변 특성과 도메인 특화 정보를 동시에 확보한다. 실험 결과, 기존 최첨단 도메인 적응 기법 대비 3∼5% 이상의 정확도 향상을 달성하였다.

상세 분석

BiDA는 기존 단방향 DA가 공유된 적응 공간에 소스와 타깃 데이터를 강제로 매핑하는 한계를 극복하고자, 소스 브랜치와 타깃 브랜치를 각각 독립적인 트랜스포머 인코더로 구성한다. 각 브랜치는 Multi‑head Self‑attention(MSA)과 Feed‑Forward Network(FFN)를 통해 도메인 내부의 공간‑스펙트럼 상관관계를 학습하고, 이를 ˜T_s, ˜T_t라는 도메인‑전용 토큰 표현으로 변환한다.
이후 Coupled Branch에서는 CMCA 메커니즘을 도입해, 소스 토큰을 쿼리로, 타깃 토큰을 키·밸류로, 그리고 그 반대 경우도 동시에 수행한다. 이렇게 양방향 교차‑어텐션을 적용하면, 두 도메인 간의 상호 보완적 특징이 교환되어, 스펙트럼 이동에 강인한 상관관계 매핑이 가능해진다.
양방향 증류 손실은 Coupled Branch에서 얻은 소스‑타깃 간 확률 분포를 각각 소스·타깃 브랜치의 출력에 소프트 라벨로 제공함으로써, 두 브랜치가 서로의 지식을 교차 정규화하도록 유도한다. 이는 특히 라벨이 없는 타깃 데이터에 대해 클래스 경계가 흐려지는 현상을 완화한다.
또한 ARS는 교사‑학생 구조를 차용해 입력에 서로 다른 노이즈(예: 가우시안, 스펙트럼 변형)를 주입하고, 동일한 데이터에 대한 두 브랜치의 출력이 일관되도록 제약한다. 이 과정에서 Maximum Mean Discrepancy(MMD) 손실을 사용해 소스·타깃 토큰 집합 간 분포 차이를 최소화하면서, 동시에 intra‑domain consistency를 강화한다.
실험에서는 미국 대학교 캠퍼스, 인도네시아 열대림, 그리고 중국 광역 지역의 항공·위성 HSIs를 교차‑시간·교차‑장면 시나리오로 설정하였다. BiDA는 기존 방법(SSW‑ADA, CACL, PASDA 등) 대비 평균 4.2% 높은 전체 정확도와, 특히 미세 클래스 구분이 어려운 나무 종 분류에서 5% 이상 향상된 F1 점수를 기록했다. Ablation study를 통해 CMCM, 양방향 증류, ARS 각각이 성능에 기여하는 바를 정량화했으며, 특히 CMCA와 양방향 증류를 동시에 제거했을 때 정확도가 7% 이상 급락함을 확인했다.
이와 같이 BiDA는 (1) 도메인‑전용 적응 공간의 독립 학습, (2) 양방향 교차‑어텐션을 통한 상호 보완적 특징 교환, (3) 교차 정규화를 위한 양방향 증류, (4) 노이즈 기반 일관성 강화라는 네 가지 핵심 메커니즘을 통합함으로써, 스펙트럼 이동이 큰 실세계 HSI 교차‑도메인 분류 문제에 효과적인 해결책을 제시한다.