원격탐사 이미지 효율 분석을 위한 경량 그룹드 어텐션 네트워크

초록

LWGANet은 원격탐사 영상의 공간·채널 중복을 동시에 해소하기 위해 Top‑K 전역 특징 상호작용(TGFI)과 경량 그룹드 어텐션(LWGA) 모듈을 도입한 경량 백본이다. TGFI는 배경이 많은 장면에서 중요한 위치만 선택해 전역 컨텍스트를 효율적으로 모델링하고, LWGA는 채널을 네 개의 스케일‑전문 서브모듈(GPA, RLA, SMA, SGA)로 분할해 다양한 객체 크기에 맞는 특화 연산을 수행한다. 네 단계 계층 구조와 세 가지 용량 변형(L0·L1·L2)을 통해 파라미터·연산량을 최소화하면서도 12개 데이터셋·4개 과제(장면 분류, 방향 객체 검출, 의미 분할, 변화 탐지)에서 기존 경량 백본을 능가하는 정확도와 효율성을 입증한다.

상세 분석

LWGANet은 원격탐사(RS) 이미지가 갖는 두 가지 고유한 중복성을 설계 차원에서 직접 겨냥한다. 첫 번째는 넓은 균일 배경에 비해 전경 객체가 희소하게 존재하는 ‘공간 중복’이다. 기존의 전역 어텐션은 모든 토큰에 대해 O(N²) 연산을 수행해 계산량이 급증하지만, TGFI는 입력 피처를 격자 영역으로 나눈 뒤 각 영역에서 가장 활성도가 높은 토큰 하나만 추출한다. 이렇게 선택된 Top‑K 토큰 집합에만 어텐션·컨볼루션 연산을 적용하고, 결과를 원위치에 복원함으로써 배경 연산을 거의 배제한다. 이 과정은 토큰 수를 실질적으로 1/16~1/64 수준으로 축소해 메모리·연산 효율을 크게 개선하면서도, 전역 관계를 유지한다는 점이 핵심이다.

두 번째는 ‘채널 중복’이다. RS 영상은 건물·도로·작물·차량 등 다양한 스케일의 객체가 동시에 존재하므로, 하나의 균일한 채널 집합으로 모든 스케일을 표현하면 많은 채널이 특정 스케일에만 유효하게 된다. LWGANet은 이를 해결하기 위해 채널을 4개의 비중첩 그룹으로 나누고, 각각을 전용 서브모듈에 라우팅한다. GPA(Group Point Attention)는 1×1 컨볼루션으로 채널을 확장·축소한 뒤 시그모이드 가중치를 적용해 미세 디테일을 강조한다. RLA(Regular Local Attention)는 3×3 컨볼루션으로 지역 패턴을 강하게 포착한다. SMA(Sparse Medium‑range Attention)는 TGFI‑축소된 토큰에 대해 11×11 윈도우 기반의 가중합을 수행해 중거리 구조를 모델링한다. 마지막으로 SGA(Sparse Global Attention)는 초기 단계에서는 5×5 그룹·7×7 팽창 컨볼루션으로 근사 전역 어텐션을 구현하고, 후반 단계에서는 실제 멀티‑헤드 셀프 어텐션을 적용한다. 이렇게 스케일‑전문 연산을 병렬화함으로써 채널당 연산 효율을 극대화하고, 서로 다른 객체 크기에 최적화된 표현을 동시에 얻는다.

아키텍처는 4단계 피라미드 구조를 채택해 점진적으로 해상도를 4, 8, 16, 32배 축소한다. 각 단계마다 LWGA 블록을 N₁~N₄번 쌓고, 블록 내부에서는 LWGA → CMLP(1×1 Conv) → Residual → BN → Dropout 순으로 처리한다. L0·L1·L2 변형은 Stem 레이어 채널 수(32, 64, 96)와 Dropout 비율(0, 0.1, 0.1)만 달라 파라미터·플롭스(FLOPs) 조절이 용이하다. 다운샘플링에는 DRFD 모듈을 사용해 세부 정보를 보존한다.

실험에서는 12개 공개 데이터셋(예: UAVid, DOTA, LoveDA 등)과 4가지 핵심 RS 과제에 대해 기존 MobileNetV2, EfficientFormerV2, FasterNet 등 경량 백본과 비교했다. LWGANet‑L2는 Top‑1 정확도·mAP·mIoU·F1-score 모두 13%p 상승하면서, 파라미터는 24M, FLOPs는 0.8~1.2G 수준으로 경쟁 모델보다 가볍다. Ablation 연구에서는 TGFI와 LWGA 각각을 제거했을 때 성능 저하가 뚜렷이 나타났으며, 특히 채널 그룹을 균일하게 처리했을 때는 중대형 객체 검출이 크게 감소함을 확인했다.

전반적으로 LWGANet은 ‘공간‑채널 이중 중복’이라는 RS 특유의 문제를 모듈화된 두 가지 경량 메커니즘으로 해결함으로써, 제한된 연산 자원에서도 높은 정확도를 유지할 수 있는 실용적인 백본을 제공한다.