소형 건물·도로 변화를 정확히 포착하는 SCA‑Net: 공간‑맥락 집합 네트워크

초록

SCA‑Net은 기존 Change‑Agent 구조에 차별화된 차이 피라미드 블록, 적응형 다중‑스케일 처리, PPM·CSAGate 기반 다중 레벨 어텐션을 추가해 소형 건물·도로 변화를 고감도·고효율로 탐지한다. 동적 복합 손실과 4단계 학습 전략으로 수렴을 안정화하고, LEVIR‑MCI에서 소형 건물 IoU를 57.9 % 향상시키며 학습 시간을 61 % 단축하였다.

상세 분석

SCA‑Net은 Change‑Agent의 Siamese SegFormer‑B1 백본을 기반으로, 시계열 이미지 쌍을 동일 가중치 인코더에 통과시켜 4단계 다중 해상도 피처를 추출한다. 핵심 혁신은 세 가지로 요약할 수 있다. 첫째, Difference Pyramid Block(DPB)은 각 레벨에서 절대 차이를 계산한 뒤 1×1 컨볼루션으로 초기 정제하고, 가장 깊은 레벨(1/32)부터 얕은 레벨(1/4)까지 단계적 업샘플링·합성을 수행한다. 이 과정은 FPN과 유사하지만, 변화 감지에 특화된 L‑loss 가중치를 적용해 고수준 의미 정보를 저해상도에서 고해상도로 전달함으로써 작은 객체의 경계 복원을 크게 강화한다. 둘째, Adaptive Multi‑scale Processing 모듈은 저해상도 레벨(3,4)에는 MultiScaleShapeModule을, 고해상도 레벨(1,2)에는 HighResEnhance 블록을 각각 배치한다. 전자는 1,2,3 팽창률의 dilated convolution과 1×5·5×1 방향성 커널을 병렬로 사용해 넓은 수용 영역과 선형 구조(도로) 감지를 동시에 수행한다. 후자는 depthwise separable convolution과 SE 채널 어텐션을 결합해 연산량을 최소화하면서도 소형 건물과 같은 미세 디테일을 강조한다. 셋째, PPM과 CSAGate을 이용한 다중 레벨 어텐션은 전역 컨텍스트와 지역 디테일을 병렬로 보강한다. PPM은 1×1, 2×2, 3×3, 6×6 풀링을 통해 다양한 스케일의 배경 정보를 집계하고, CSAGate은 채널‑스페이셜 어텐션을 순차 적용해 중요한 피처 채널과 공간 위치를 재가중한다. 이러한 어텐션 체인은 Decoder의 상향 샘플링 단계와 결합돼, 최종 변화 마스크에서 작은 건물·도로의 IoU를 크게 끌어올린다. 학습 측면에서는 4단계(워밍‑업, 정제, 최적화, 수렴)로 구성된 동적 복합 손실을 도입했다. 초기 단계에서는 Cross‑Entropy에 집중해 전반적인 분류 안정성을 확보하고, 중간 단계에서는 Dice·Contrastive 손실을 가중해 형태 일관성을 강화한다. 후반부에서는 Lovász‑Softmax 손실을 강조해 IoU 직접 최적화를 수행한다. 또한, 백본은 저학습률, 디코더·분류 헤드는 고학습률을 적용해 파인 튜닝을 촉진하고, MixUp·CutMix을 시계열 쌍 전체에 동시 적용해 시공간 일관성을 유지한다. 실험 결과, LEVIR‑MCI에서 mIoU가 2.64 % 상승하고, 소형 건물 IoU가 57.9 % 개선됐으며, 학습 epoch이 200→78로 61 % 단축되는 등 효율성과 정확도 모두에서 현저한 향상을 입증했다.