<요약문>
이 보고서에서는 초분광 이미지 분류를 위한 CNN( 콘 볼 루션 신경망 ) 훈련에 대한 두 가지 질문을 다룬다.

i) 사전 훈련된 네트워크를 구축할 수 있을까?

ii) 사전 훈련이 성능 향상에 효과적인가?

첫번째 질문에 답하기 위해 하이퍼스펙트럼 특성이 다른 여러 소스 데이터세트에 대해 네트워크를 사전 훈련하고 대상 데이터세트에 대해 미세 조정하는 접근 방식을 고안했다. 이 접근 방식은 소스 네트워크와 대상 네트워크 간에 의미 있는 정보를 전송할 때 발생하는 아키텍처 문제를 효과적으로 해결 한다. 그리고 두 번째 질문에 답하기 위해 여러 가지 애블레이션 실험 ablation experiments) 을

수행했다. 실험 결과에 따르면 처음부터 훈련된 네트워크는 사전 훈련된 네트워크에서 미세 조정된 네트워크 만큼 좋은 성능을 보여 준다. 그러나 더 깊은 네트워크가 필요할 때 네트워크를 사전 훈련하는 것이 더 나은 성능을 달성하는 데 고유한 이점이 있다는 것을 확인했다.

초분광영상분류 콘텍스추얼 CNN 사전 훈련 미세 조정 기계학습 인공지능
hyperspectral image classification , Contextual CNN , pretrain finetune , machine learning, AI

1.개요

그동안 많은 분류 작업에서 CNN(Convolutional Neural Network) 이 일련의 혁신적인 성능을 보여왔다. 그러나 작은 크기의 타깃 데이터세트만 주어 질 때는 CNN 에서 최적화해야 하는 파라미터가 많아 과적합 문제를 피하기가 어렵다.

이 문제를 해결하기 위해 널리 알려진 접근 방식 중 하나는 대규모 데이터세트에서 훈련된 사전 훈련된 네트워크의 처음 몇

레이어에서 네트워크를 미세 조정하는 것이다. 이 접근 방식은 소스와 대상 데이터세트가 동일한 스펙트럼 특성 예 : RGB 에서 RGB 로 을공유하는 경우 효과적으로 적용될 수 있다 . 하지만 서로 다른 센서로 획득한 초분광 데이터세트와 같이 스펙트럼 특성이 소스 도메인과 대상 도메인 간에 일치하지 않 은 경우 정보를 효과적으로 전송하는 것이 어렵기 때문에 사전 훈련 모델을 준비하는 것이 문제가 있다.

-------------------------------------------------------------------------------------------------------------------------------------------------------