단안 원격탐사 영상 기반 높이 추정
단안 높이 추정은 원격탐사 분야 3D 인식을 위한 핵심 기술로, 다중 시점 또는 LiDAR 기반 방식에 비해 비용 효율적인 대안을 제공합니다. 딥러닝 기술의 발전에도 불구하고, 기존 단안 높이 추정 모델들은 대규모의 레이블링된 데이터 확보의 어려움으로 인해 성능 및 일반화에 제약이 있었습니다. 고품질 주석 데이터의 부족은 모델의 잠재력을 충분히 발휘하지 못하게 하는 주요 원인입니다. 이러한 한계를 극복하고자, 본 연구에서는 대량의 레이블링되지 않은 데이터를 활용하는 준지도 학습 프레임워크인 TSE-Net(Teacher-Student-Exam Network)을 제안합니다. TSE-Net은 교사(Teacher), 학생(Student), 시험관(Exam) 네트워크로 구성된 자기 훈련 파이프라인입니다. 교사 네트워크가 생성한 의사(pseudo) 레이블을 사용하여 학생 네트워크를 훈련하고, 시험관 네트워크는 학생 네트워크의 시간적 앙상블 역할을 하여 성능 안정화를 도모합니다. 특히, 교사 네트워크는 회귀 및 분류 모델을 결합하여 높이 값을 예측하고, 계층적 이분할(Hierarchical Bi-Cut, HBC) 전략으로 정의된 높이 값 클래스와 그 확률을 활용하여 의사 레이블의 품질을 개선합니다. 예측된 클래스 확률은 Plackett-Luce 모델로 보정되어 의사 레이블의 예상 정확도를 반영합니다. 제안된 파이프라인은 ISPRS Vaihingen, SynRS3D, GBH 등 다양한 해상도와 이미징 양식의 데이터셋에서 평가되었으며, 이는 TSE-Net이 단일 원격탐사 영상으로부터 효과적인 높이 추정 성능을 제공함을 시사합니다. 이 연구는 레이블링 데이터 부족 문제를 해결하고, 원격탐사 분야의 3D 인식 기술 발전에 기여할 것으로 기대됩니다.