고광대역 원격 탐사 영상 분류 시 라벨이 있는 소스 도메인 학습 데이터와 라벨 없는 타겟 도메인 데이터 분포 불일치 문제를 해결하기 위해 부분 최적 전달 기반의 비지도 도메인 적응 방법을 제안하여 서로 다른 데이터 분포에 있는 고광대역 원격 탐사 지물 픽셀 단위 분류를 수행한다. 딥 컨볼루션 신경망을 활용하여 샘플을 잠재 고차원 공간에 매핑하고, 부분 최적 전달 이론에 기반한 샘플 전달 계획을 수립하여 도메인 간 분포 차이를 최소화하며 적응 모델을 구축한다. 클래스 인지 샘플링 기법과 품질 점수 인자 적응 조정 전략을 적용하여 도메인 간 클래스 정렬을 촉진하고 전역 최적 전달을 구축한다. 두 개의 공개 고광대역 원격 탐사 영상 데이터셋에서 실험을 수행하였으며, 전반적인 분류 정확도 OA(%), 클래스별 평균 분류 정확도 AA(%), 분류 일관성 검증 Kappa(×100)의 세 가지 평가 지표로 픽셀 분류 결과를 정량적으로 비교하였다. 실험 결과 두 개의 전이 작업에서 소스 도메인 데이터만 사용하는 기본 모델에 비해 전반적인 분류 정확도가 각각 2.21%와 2.75% 향상되었으며, 원래의 최적 전달 전략에 비해 1.71%와 2.01% 향상되어 모델이 고광대역 원격 탐사 영상 내 픽셀 단위 지물 분류 정확도를 효과적으로 향상시킬 수 있음을 보여준다.

컴퓨터 비전; 신경망; 도메인 적응; 최적 전달; 고광대역 영상