고해상도 이미지를 분류하기 위한 조건부 랜덤 필드 학습

고해상도 이미지는 공간적 및 스펙트럼 이웃 간에 강한 의존성을 보이며, 이는 고해상도 이미지 분류에 매우 유용한 것으로 입증되었습니다. 최신 고해상도 이미지 분류 알고리즘은 이러한 의존성을 휴리스틱 방식이나 확률적 프레임워크에서 사용하지만, 관측 데이터에 대해 비합리적인 가정을 부과합니다. 본 논문에서는 고해상도 이미지 분류를 위한 이러한 휴리스틱 및 비합리적인 가정을 대체하기 위해 조건부 랜덤 필드(CRF)를 형성합니다. 또한, 관측 데이터의 명시적 모델링을 피하기 때문에 제안된 방법은 서로 다른 통계적 특성을 가진 고해상도 이미지의 분류를 통합된 확률적 프레임워크로 통합할 수 있습니다. 일반적인 고해상도 이미지 분류 작업은 제안된 CRF가 지역 샘플에서 훈련되어야 하므로, 사용 가능한 전역 훈련 방법을 직접 사용할 수 없습니다. 구분된 훈련 프레임워크 하에서, 본 논문은 CRF를 훈련시키기 위한 효율적인 지역 방법을 개발합니다. 이는 해당 잠재력에 의해 정의된 간단한 분류기의 분리된 훈련을 통해 효율적으로 구현됩니다. 그러나 독립적인 분류기 훈련은 추론 중에 과다 계산 문제를 초래할 수 있습니다. 따라서 우리는 독립적으로 훈련된 모델을 결합하여 최종 CRF 모델을 얻기 위한 전략을 추가로 제안합니다. 실제 고해상도 데이터에 대한 실험 결과는 우리의 알고리즘이 고해상도 이미지 분류 분야에서 가장 최근의 결과들과 경쟁력을 가지고 있음을 보여줍니다.