본 논문은 지구 관측에서의 견고한 심층 학습 모델 학습의 중요성을 강조하며, 특히 데이터가 부족한 지역에서의 성능 저하를 야기하는 분포 이동 문제를 해결하기 위해 Out-of-Distribution(OOD) 탐지를 제안합니다. 기존 방법들이 OOD 데이터 접근성을 가정하거나 주요 작업 성능을 저하시키는 한계를 극복하고자, 확장 가능한 지리 공간 배포를 위해 설계된 사후적 OOD 탐지 방법인 TARDIS를 제시합니다. TARDIS는 특징 공간 내 ID 데이터를 활용하여 대체 분포 레이블을 생성하는 것이 핵심이며, 사전 훈련된 모델, ID 데이터, 알 수 없는 분포의 데이터(WILD)를 사용하여 WILD를 대체 ID 및 OOD 레이블로 분리하고, 분포 이동을 탐지하는 이진 분류기를 훈련합니다. EuroSAT 및 xBD에 대한 검증 결과, 17가지 설정에서 상위 사후적 활성화 및 점수 기반 방법의 성능과 일치하는 수준의 성능을 보였으며, Fields of the World에 대한 배포를 통해 사전 훈련된 모델의 동작에 대한 실행 가능한 통찰력을 제공합니다. 소스 코드는 GitHub에서 공개됩니다.
