본 논문은 드론과 위성 이미지 간의 교차 시점 지리적 위치 파악(CVGL) 문제 해결을 위해, 시점 차이와 시각적으로 유사하지만 지리적으로 일치하지 않는 어려운 부정 샘플 문제를 다룹니다. 이를 위해 동적 가중치 방식을 사용하는 Dual-level Progressive Hardness-aware Reweighting (DPHR) 전략을 제안합니다. DPHR은 샘플 수준에서 상대적 난이도를 평가하고 세분화된 가중치를 할당하는 Ratio-based Difficulty-Aware (RDA) 모듈과, 훈련 진행 신호를 활용하여 초기 최적화 단계에서 노이즈가 있는 기울기를 완화하고 훈련이 진행됨에 따라 어려운 부정 샘플 마이닝을 점진적으로 강화하는 Progressive Adaptive Loss Weighting (PALW) 메커니즘을 포함합니다. University-1652 및 SUES-200 벤치마크 실험을 통해 제안된 DPHR의 효과와 견고성을 입증했습니다.
시사점, 한계점
•
시사점:
◦
CVGL 문제에서 어려운 부정 샘플 문제를 해결하기 위한 새로운 접근 방식을 제시함.
◦
동적 가중치 전략을 통해 훈련 안정성과 성능 향상을 달성함.
◦
RDA 및 PALW 모듈의 결합을 통해 샘플 및 배치 수준에서 난이도 기반 가중치를 효과적으로 적용함.
◦
University-1652 및 SUES-200 벤치마크에서 기존 방법들을 능가하는 성능을 보임.
