Criss-Cross Attention과 Edge Module을 활용한 CGNet 모델 개선 = Improving CGNet Models with Criss-Cross Attention and Edge Modules

국문 초록 (Abstract)

본 연구는 위성 이미지 기반 건물 변화탐지에서 기존 CGNet 모델의 한계 를 극복하고 성능을 개선하기 위해 Criss-Cross Attention (CCA)과 Edge Module을 결합한 새로운 모델을 제안하였다. 기존 CGNet 모델은 변화 영역 탐지에서 강점을 보였으나, Self Attention 기반 Change Guidance Module (CGM)이 높은 계산복잡도와 경계 및 작은 변화탐지에서 한계를 보였다. 이 를 해결하기 위해 CCA를 도입하여 전역 문맥 정보를 효과적으로 학습하고, Edge Module을 추가하여 경계 탐지와 세밀한 변화탐지 성능을 향상했다. Criss-Cross Attention (CCA)은 Self Attention 대비 계산복잡도를 크게 줄 이면서도 전역 문맥 정보를 효과적으로 학습할 수 있도록 설계되었다. 실험 결과, CCA를 적용한 모델은 기존 Self Attention 기반 모델보다 계산 효율성 이 향상되었으며 F1-score 92.21, Precision 93.42, Recall 91.03의 성능을 기록 하며 변화 영역 탐지와 경계선 탐지에서의 성능 개선을 입증하였다. 특히, 재귀적 학습 횟수 실험에서는 2회 반복 학습이 성능과 계산 효율성 측면에 서 최적의 설정임을 확인하였다. Edge Module은 Sobel, Prewitt, Laplacian 필터를 조합하여 경계 탐지와 작 은 변화탐지 성능을 극대화하였다. Sobel 필터는 방향성을 강화하며 단순한 경계를 탐지하고 Prewitt 필터는 경계를 더 부드럽게 처리하여 안정성을 높 였다. Laplacian 필터는 경계의 강도와 곡률을 강조하며 복잡한 구조의 변화 탐지에 기여하였다. 세 가지 필터를 조합한 Edge Module은 F1-score 92.32, Precision 93.3, Recall 91.37의 성능을 달성하였으며, 이를 통해 복잡한 경계 와 작은 변화를 효과적으로 탐지할 수 있었다. LEVIR-CD 데이터 셋을 활용한 비교 실험에서는 STANet, Changer, Changeformer와 제안하는 모델의 성능을 비교하였다. 기존 모델들은 주요 변화 영역 탐지에는 성공하였으나, 복잡한 구조와 경계 탐지에서는 성능의 한계를 보였다. 반면, 제안된 모델은 경계와 내부 세밀한 변화까지 효과적으 로 탐지하며 True Label과 높은 일치도를 보였다. 이를 통해 제안된 모델이 변화탐지의 정밀도와 신뢰성 측면에서 가장 우수한 성능을 제공함을 확인하 였다. 본 연구에서 제안하는 CGNet 개선 모델은 기존 모델 대비 경계 탐지와 복잡한 변화탐지에서 뛰어난 성능을 보였으며, 이는 환경 모니터링, 도시 계 획, 재난 관리 등 다양한 응용 분야에서 높은 활용 가능성을 제시한다. 특히, 재난 상황에서 신속하고 정확한 변화탐지를 통해 피해 지역 평가와 대응에 중요한 도구로 활용될 수 있을 것으로 기대된다. 향후 연구에서는 다양한 위 성 이미지 데이터 셋에 대한 확장성을 검증하고, Edge Module의 추가 최적 화를 통해 실시간 변화탐지 성능을 향상하는 방향으로 연구를 진행할 예정 이다. 이러한 연구는 변화탐지 기술의 발전과 더불어, 실시간 대응이 가능한 시스템 구현에 기여할 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

In this study, a new model combining Criss-Cross Attention (CCA) and Edge Module is proposed to overcome the limitations of the existing CGNet model and improve its performance in satellite image-based building change detection. The existing CGNet model shows strength in detecting change areas, but the self-attention-based Change Guidance Module (CGM) has high computational complexity and limitations in detecting boundaries and small changes. To solve this problem, we introduced CCA to effectively learn global contextual information and added Edge Module to improve boundary detection and fine-grained change detection performance. Criss-Cross Attention (CCA) is designed to effectively learn global contextual information while significantly reducing computational complexity compared to Self Attention. The experimental results showed that the model with CCA improved computational efficiency compared to the existing Self-Attention-based model, with F1-score of 92.21, Precision of 93.42, and Recall of 91.03, demonstrating improved performance in change region detection and boundary detection. In particular, the recursive training number experiment confirmed that 2 iterations of training is the optimal setting in terms of performance and computational efficiency. The Edge Module uses a combination of Sobel, Prewitt, and Laplacian filters to maximize boundary detection and small change detection performance. The Sobel filter enhances directionality and detects simple boundaries, while the Prewitt filter smoothes the boundaries for better stability. The Laplacian filter emphasizes the strength and curvature of boundaries to detect changes in complex structures. The Edge Module with the combination of the three filters achieved an F1-score of 92.32, Precision 93.3, and Recall 91.37, effectively detecting complex boundaries and small changes. In the comparison experiment using the LEVIR-CD dataset, we compared the performance of STANet, Changer, Changeformer, and the proposed model (Case 3). The existing models were successful in detecting major change areas, but their performance was limited in detecting complex structures and boundaries. The proposed model, on the other hand, effectively detects boundaries and internal fine-grained changes and shows high agreement with the true label. This confirms that the proposed model provides the best performance in terms of precision and reliability of change detection. The CGNet enhancement model proposed in this study shows excellent performance in boundary detection and complex change detection compared to the existing model, which suggests its potential in various applications such as environmental monitoring, urban planning, and disaster management. In particular, it is expected to be utilized as an important tool for disaster assessment and response through rapid and accurate change detection in disaster situations. In future research, we will verify the scalability for various satellite image datasets and further optimize the edge module to improve the real-time change detection performance.

목차 (Table of Contents)

• 제 1장 서론 1
• 제 2장 관련 연구 4
• 제 3장 제안하는 CGNet 개선 모델 15
• 제 4장 실험 설계 및 방법 29
• 제 5장 실험 결과 및 분석 36
• 제 6장 결론 49
• 참고문헌 51