遥感稠密预测的时空光谱统一建模

多源遥感数据의 확산으로 인해 딥 러닝을 활용한 �스 밀도 예측 연구가 활발해지고 있으나, 데이터와 작업의 통합에서는 여전히 큰 과제에 직면해 있다. 현재遥感 분야의深度學習架構本質적으로 경직되어 있다. 입력-출력 구성을 고정된 형태로 설계되어, 실제 세계 데이터가 가지는 공간적·시간적·권적 차원의 이질성에 적응할 수 없다. 또한 이러한 모델들은 의미론적 세그멘테이션, 이진 변경 검출, 의미론적 변경 검출 간의 내재적 상관관계를 고려하지 않아, 별도의 모델이나 작업 특화 디코더를 개발해야 한다는 문제가 있다. 이 패러다인은 또한 미리 정의된 출력 의미론적 클래스 집합으로 제한되어 있어, 클래스 변경 시 비용이 많이 드는 재학습이 필요하다. 이러한 제한을 극복하기 위해, 我们提出空間-時間-光譜統一網路（STSUN），用于統一建模。STSUN能够透過利用其中繼資料，適應任意空間大小、時間長度與光譜帶數的輸入與輸出數據，實現統一表示。此外，STSUN透過條件化於可訓練工作嵌入，將不同稠密預測任務整合於單一架構中。同樣地，STSUN透過整合可訓練類別嵌入作為中繼資料，促進跨多組合意義類別的靈活預測。在多種情境下對多個數據集進行廣泛實驗，證明了單一STSUN模型能有效適應異質性輸入與輸出，統一多種稠密預測任務與多樣化意義類別預測。該方法持續達成最先進的性能，凸顯其對複雜遙感應用中的穩健性與廣泛性。