[논문] SemDINO: 변화 감지에서 시계열 간 의미 정렬을 위한 DINOv3 기반 네트워크
개요
Semantic change detection (SCD)은 토지 피복 변화를 동시에 위치 파악하고, 변환 전후의 의미 카테고리를 식별하는 것을 목표로 합니다. 그러나 기존 방법들은 시계열 간 정렬이 부족하고, 다중 스케일 표현이 약하며, 조명, 계절, 정합 잡음 등에 의해 발생하는 가짜 변화에 대한 견고성이 낮다는 문제를 안고 있습니다. 이러한 문제를 해결하기 위해 우리는 SemDINO라는 새로운 엔드‑투‑엔드 의미 변화 탐지 네트워크를 제안합니다. SemDINO는 듀얼‑브랜치 인코더, 다중 스케일 시간 상호작용, 의미 정제, 변화 강화, 그리고 분리된 다중 과제 예측을 하나의 통합 프레임워크에 결합합니다. 구체적으로, CNN 백본과 고정된 DINOv3 특징을 게이트 피라미드 융합을 통해 결합한 듀얼‑브랜치 인코더를 구축하여 풍부한 다중 스케일 의미 표현을 가능하게 합니다. 이어서, 전역적인 시계열 간 특징 정렬 및 정보 교환을 수행하는 다중 스케일 시간 양방향 트랜스포머 상호작용(M‑TBTT) 모듈을 제안합니다. 진정한 변화를 더욱 강조하고 가짜 변동을 억제하기 위해 의미 정제(SCP), 양방향 변화 강화(BiChangeEnhance), 다중 스케일 변화 강화(MCE) 모듈을 협업적으로 도입합니다. 마지막으로, 이진 변화 마스크, 양시점 의미 지도, 그리고 에지 제약을 동시에 출력하도록 설계된 다중 브랜치 CD 예측 헤드를 구성합니다. 공개된 원격 탐사 CD 데이터셋에 대한 광범위한 실험 결과, SemDINO가 특히 복잡한 간섭 요인이 존재하는 상황에서 최첨단 방법들에 비해 뛰어난 성능과 일반화 능력을 보임을 확인했습니다.
주요 기여
이 논문은 다음 분야의 연구를 제시합니다.
- cs.CV
방법론
자세한 방법론은 전체 논문을 참고하시기 바랍니다.
실용적 함의
본 연구는 cs.CV 분야의 발전에 기여합니다.
저자
- Xinyu Tong
- Meihua Zhou
- Jinxiao Sun
- Yingjie Tang
- Lei Wang
논문 정보
- arXiv ID: 2606.09772v1
- Categories: cs.CV
- Published: 2026년 6월 8일
- PDF: PDF 다운로드