초분광 영상 모델을 위한 PyTorch 라이브러리: 기술 보고서
A PyTorch Library for Hyperspectral Image Models: Technical Report
초분광 원격 탐사는 분광-공간 CNN, Vision Transformer, Mamba, 그래프 신경망(GNN), Kolmogorov-Arnold 네트워크, 자기지도 마스크 오토인코딩을 포함한 다양한 심층 학습(deep learning) 패러다임 전반에서 발전해 왔습니다. 그러나 분산된 저장소, 호환되지 않는 텐서(tensor) 규칙, 비표준화된 평가 방식으로 인해 여전히 진전이 저해되고 있습니다. Hyperspectral Image Models는 공통 레지스트리, 자동 4D/5D 텐서 적응, 표준화된 생성자를 통해 6개 패러다임에 걸친 55개 대표 모델을 통합하는 모듈형 프레임워크로 이러한 과제를 해결합니다. 이 라이브러리는 항공(Airborne), 위성(Spaceborne), UAV, 화성 CRISM 센서의 24개 벤치마크 씬을 통합하며, 캐싱, 레이블 재매핑, PCA, 명시적 밴드 선택 또는 원시 스펙트럼, 선택적 공간 맥스 풀링(pooling), 임의의 PxP 패치 추출을 지원합니다. 겹치는 윈도우로 인한 정확도 과대를 방지하기 위해, 클래스 균형 무작위 분할과 학습-테스트 픽셀 중첩을 제거하는 체비쇼프 가드 밴드(Chebyshev guard band) 기반의 공간적으로 분리된 영역 블로킹을 지원합니다. 실험은 결정론적 시드와 완전한 출처 추적 기능을 갖춘 단일 설정을 사용하여 LaTeX 벤치마크 표와 분류(classification) 맵을 생성합니다. 1,320회의 모델-씬 평가와 6,600회의 시드 기반 실행 결과, 패러다임 평균 간의 차이가 15%p인 것에 비해 평균 정확도가 Botswana의 96.40%에서 Houston 2018의 56.70%에 이르러 아키텍처보다 씬 난이도가 지배적인 영향을 미치는 것으로 나타났습니다. 어떤 패러다임도 보편적으로 우세하지 않았으며, 1M 미만 매개변수(parameter) 모델이 두 자릿수(orders of magnitude) 더 큰 아키텍처와 대등한 성능을 보일 수 있었습니다. 코드는 https://github.com/Tanishq251/Hyperspectral-Image-Models 에서 공개되어 있습니다.