고해상도 원격탐사 이미지의 의미론적 분할에서 Transformer 모델이 다중 다운샘플링으로 인해 세부 정보 감소, 경계 흐림 및 구조적 대상 왜곡 문제를 겪는 문제를 해결하기 위해 본 논문에서는 고해상도 원격탐사 영상에 적합한 계단식 정제 네트워크를 제안한다. 이 네트워크는 Swin-Transformer를 백본 인코더로 사용하며, 디코더 끝단에 이중 특징 통합 모듈, 동적 웨이브렛 융합 업샘플링 모듈 및 기하학적 구조 인식 모듈을 순차적으로 구축하였다. 이중 특징 통합 모듈은 채널과 공간의 협력적 모델링을 통해 다중 계층 특징 보완성을 강화하고, 동적 웨이브렛 융합 업샘플링 모듈은 다중 웨이브렛 기저의 적응적 융합을 이용하여 주파수 영역 재구성과 세부 복원을 수행하며, 기하학적 구조 인식 모듈은 그래프 구조 사전 정보와 다중 스케일 공간 모델링을 결합하여 최종 특징의 기하학적 보정을 수행하여 경계 선명도와 대상 완전성을 향상시킨다. ISPRS Potsdam, ISPRS Vaihingen 및 LoveDA 데이터셋에서 이 네트워크의 평균 교차합집합 지수는 각각 87.13%, 83.86% 및 54.26%에 달한다. 본 방법은 복잡한 건축 윤곽 묘사, 작은 대상 유지 및 교차 장면 분할 작업에서 우수한 성능을 보여주며, 계단식 디코더 정제 전략이 특징의 단계별 저하를 완화하고 원격탐사 이미지 분할 품질을 향상하는 데 효과적임을 입증하였다.

의미 분할;원격탐사;웨이브렛 변환;특징 추출;경계 검출