인공 라벨링을 활용한 하이퍼스펙트럴 이미지 딥 CNN 효율적 학습

본 논문은 하이퍼스펙트럴 이미지(HSI) 분류에서 라벨이 부족한 상황을 극복하기 위한 새로운 전이학습 방식을 제안한다. 기존 전이학습은 대규모 라벨이 있는 외부 데이터셋을 소스 도메인으로 사용해 사전학습을 수행한 뒤, 목표 데이터셋에 미세조정하는 방식이다. 그러나 실제 원격탐사 현장에서는 동일한 센서·조건을 가진 대규모 라벨 데이터가 거의 없으며, 종종 단일 이미지와 소수의 전문가 라벨만이 제공된다. 이러한 제약을 고려해 저자들은 “인공 라벨링”이라는 개념을 도입하였다. 먼저, HSI의 공간적 구조를 이용해 간단한 격자 기반 클러스터링을 수행한다. 픽셀을 일정 크기의 블록(예: 5×5 또는 7×7)으로 나누고, 각 블록에 고유한 인공 라벨을 부여한다. 이때 라벨은 실제 클래스와 무관하며, 오직 공간적 근접성에만 기반한다. 클러스터링 과정은 비지도이며, 이미지 전체 픽셀을 대상으로 하므로 라벨이 전혀 없는 상황에서도 대규모 인공 라벨 데이터셋을 손쉽게 생성할 수 있다. 생성된 인공 라벨 데이터는 사전학습 단계에서 사용된다. 저자들은 다양한 CNN 아키텍처—전통적인 2D‑CNN, 3D‑CNN, 1D‑CNN, 잔차 연결을 포함한 복합 구조—에 대해 동일한 사전학습 프로세스를 적용하였다. 인공 라벨링 단계에서 발생하는 라벨 노이즈는 기존 연구에서 제시된 바와 같이, 충분히 큰 데이터 양이 확보되면 학습 과정에서 자동으로 억제된다. 즉, 네트워크는 공간‑스펙트럼 패턴을 포착하는 저수준 필터를 학습하고, 이후 실제 라벨이 있는 소수 샘플을 이용해 전체 모델을 미세조정한다. 실험은 대표적인 두 공개 데이터셋인 Indian Pines와 Pavia University를 대상으로 수행되었다. 라벨 비율을 0.5 %, 1 %, 2 %, 5 % 등으로 조절해, 제안 방법과 (1) 라벨이 없는 상태에서 직접 학습하는 baseline, (2) 복잡한 클러스터링‑기반 가짜 라벨링(예: Dirichlet 혼합 모델) 방법을 비교하였다. 결과는 일관되게 제안 방법이 우수함을 보여준다. 특히 라벨 비율이 0.5 %일 때 Indian Pines에서는 전체 정확도가 21 %p, Pavia University에서는 13 %p 상승하였다. 라벨 비율이 증가해도 성능 격차는 유지되었으며, 다양한 CNN 구조에 대해 평균 5 ~ 12 %p 정도의 정확도 향상이 관찰되었다. 또한, 사전학습 단계가 이미지 획득 직후 자동으로 수행될 수 있다는 점에서 실용적 가치가 크다. 전문가가 라벨을 부여하기 전, 시스템이 자체적으로 인공 라벨을 생성해 네트워크를 초기화함으로써, 이후 최소한의 라벨만으로도 높은 분류 성능을 달성한다. 이는 라벨링 비용을 크게 절감하고, 현장 적용성을 높인다. 논문의 주요 기여는 다음과 같다. 첫째, 복잡한 사전 처리 없이도 공간적 클러스터링만으로 충분히 유용한 인공 라벨을 생성하는 간단하고 일반화 가능한 파이프라인을 제시하였다. 둘째, 이 방법이 다양한 CNN 아키텍처에 적용 가능함을 실험적으로 검증하였다. 셋째, 라벨이 거의 없는 실제 원격탐사 상황에서도 전이학습과 동등하거나 그 이상의 성능을 달성함을 입증하였다. 마지막으로, 인공 라벨링이 네트워크가 데이터의 내재된 공간‑스펙트럼 구조를 사전에 학습하도록 돕는 메커니즘을 이론적으로 설명하고, 클러스터 가정과 라벨 노이즈에 대한 기존 연구와 연결하였다. 향후 연구 방향으로는 클러스터링 방법을 스펙트럼 유사도와 결합해 보다 정교한 인공 라벨을 생성하거나, 자기 지도 학습(self‑supervised) 프리텍스트 작업과 결합해 사전학습 효율을 더욱 높이는 방안을 탐색할 수 있다. 또한, 인공 라벨링 단계에서 발생할 수 있는 클래스 불균형 문제를 해결하기 위한 샘플링 전략이나, 다른 종류의 원격탐사 데이터(예: 라이다, 멀티스펙트럼)에도 적용 가능한 일반화 연구가 필요하다.