Cropland PAtteRNS: 병렬 차원 어텐션 네트워크 및 데이터셋 불일치에 대한 어텐션을 활용한 위성 영상 작물 분할

위성 영상 시계열(time series) 데이터셋과 작물 분할을 위한 혁신적인 아키텍처 분야는 그 어느 때보다 풍요로워졌습니다. 하지만 이 황금광 시대에는 양쪽 모두에서 중요한 진실들이 간과되고 있습니다. 가장 참신한 개념이나 가장 큰 데이터셋에 대한 추구는 더 미세한 디테일을 뒤로 밀어내고 있기 때문입니다. 본 논문에서는 우리의 하이브리드 트랜스포머-컨볼루션 모델인 Cropland Parallel Attention and Refinement Network for Segmentation (PAtteRNS)을 제시합니다. 이는 Sentinel-2 다중 스펙트럴 SITS 데이터의 시간적(temporal), 스펙트럴(spectral), 공간적(spatial) 측면 각각에 대해 셀프 어텐션 메커니즘을 개별적으로 사용하는 최초의 모델입니다. 제안된 모델에서 완전하게 인수분해된(fully-factorised) 어텐션을 달성하기 위해, 우리는 삼중 인자 분해(triple-factorised) 셀프 어텐션의 계산 복잡도를 크게 줄이는 새로운 병렬 트랜스포머 아키텍처를 도입합니다. 우리는 심층적인 제거 연구(ablation study)를 통해 우리의 아키텍처를 검증하고, 인기 있는 PASTIS 및 MTLCC 데이터셋의 여러 타일 크기 변형에 대해 최첨단 작물 분할 모델들과 비교하여 모델 성능을 분석했습니다. 우리의 발견은 작물 클래스 분할 작업에서 다른 모든 모델들을 능가하며, 여러 중요한 분할 지표를 통해 검증되었고, 특히 우리가 Boundary IoU 메트릭을 사용한 종종 과소 보고되는 필지 경계 묘사 품질(parcel delineation quality) 측면에서 비교된 모델들보다 강력한 성능을 보였습니다. 또한 데이터셋 내의 결함 있는 클래스 그룹핑이 모델 성능에 상당한 부정적 영향을 미칠 수 있음을 발견했으며, 작물 분할 데이터셋의 대체 타일 크기 변형들이 서로 비교할 수 없는 결과를 산출하여 다른 타일 크기로 훈련된 모델 성능 간의 공정한 비교를 무효화함을 보고합니다. 이러한 발견을 바탕으로, SITS 작물 분할 데이터셋 구축 시 모범 사례를 표준화하고 미래에 이상적인 모델 성능을 위한 동적 타일 크기 조정(dynamic-tile-sizing)을 가능하게 하기 위해 추가 연구가 필요하다고 제안합니다.