체계적인 작황 모니터링과 관리를 위한 필수 주제 정보 중 하나인 작물구분도는 주로 원격탐사 영상을 이용한 감독 분류를 이용하여 제작한다. 신뢰할 수 있는 작물구분도를 제작하기 위해서는 작물 재배지의 특성에 따라 입력 영상 선정, 최적의 분류 방법론 선정, 양질의 훈련 자료 수집과 같은 다양한 분류 요소를 종합적으로 고려해야 한다. 특히 연단위 작물구분도 제작에는 매년 반복적으로 양질의 훈련 자료 수집이 요구되지만, 훈련 자료를 수집하는 과정은 많은 시간과 비용이 소요된다. 따라서 작물 분류의 효율성을 고려해서 분류 대상 지역과 유사한 특성을 갖는 영역인 소스 도메인(source domain)에서 사전에 획득한 훈련 자료를 재사용할 필요가 있다. 그러나 소스 도메인에서 수집한 훈련 자료로 학습한 모델을 이용하여 대상 도메인(target domain)에서 작물 분류를 수행하는 경우 두 도메인 간 불일치 문제로 인해 분류 성능이 급격히 저하될 것이다. 도메인 간 불일치 문제를 극복하기 위해서는 소스 도메인의 사전 정보를 대상 도메인 분류에 이용하는 도메인 적응을 적용해야 한다.
이 연구에서는 소스 도메인의 사전 정보를 이용함으로써 사용자 개입 없이 무인기 영상을 이용하여 대상 도메인 분류를 수행하는 비지도 도메인 적응 기반의 새로운 작물 분류 프레임워크를 제안하였다. 제안 프레임워크는 먼저 딥러닝 기반의 비지도 도메인 적응 모델을 학습한다. 이후 비지도 도메인 적응 모델에서 나타날 수 있는 오류 개선을 위해, 도메인 적응 분류 문제는 대상 도메인 영상에 대한 초기 훈련 후보자를 추출함으로써 단일 도메인 분류 문제로 재구성한다. 초기 훈련 후보자의 의사라벨에 포함된 오류는 불확실성 정보, 공간 문맥 정보, 필지 경계 정보를 이용하는 훈련 후보자 갱신 과정으로 개선한다. 마지막으로 자가 훈련 기반 반복 분류를 통해 갱신된 훈련 후보자의 의사라벨에 포함된 작물 필지 단위의 오류를 추가로 개선하여 대상 도메인 영상에 대한 최종 훈련 자료를 결정한다. 세 단계의 과정을 통해 양질의 훈련 자료를 충분히 수집한다고 간주하기 때문에 최종 훈련 자료를 이용한 대상 도메인 영상에 대한 분류에는 얕은 구조의 합성곱 신경망을 이용한다. 제안 프레임워크는 두 도메인 간 불일치가 클수록 분류 성능이 저하되는 기존 딥러닝 기반의 비지도 도메인 적응 모델과 다르게 훈련 후보자 추출 및 갱신 과정을 통해 분류 성능을 향상시킬 수 있다.
제안 프레임워크는 시간 도메인 적응, 공간 도메인 적응과 시공간 도메인 적응에 대한 6개의 사례를 대상으로 적용성을 평가하였다. 준감독 학습(semi-supervised learning)의 개념을 채택한 제안 프레임워크의 훈련 후보자 갱신 과정은 초기 훈련 후보자가 내포하는 오류에 큰 영향을 받는다. 따라서 초기 훈련 후보자 추출에 적합한 모델을 선정하기 위해 대표적인 딥러닝 기반 비지도 도메인 적응 모델인 deep adaptation network, deep reconstruction-classification network, domain adversarial neural netowork(DANN)의 분류 성능을 비교하였다. DANN은 모든 사례에서 분류 정확도가 가장 높았으며, 초기 훈련 후보자 추출을 위한 모델로 선정하였다. 그리고 제안 프레임워크의 훈련 후보자 추출 및 갱신 과정에 대한 분류 결과와 소스 베이스라인과 대상 베이스라인에 대한 분류 결과를 비교하였다. 모든 사례에서, 제안 프레임워크의 마지막 단계인 최종 분류 결과는 필지 경게와 고립된 화소에서 나타나는 오류를 개선하여 소스 기준선 및 초기 분류 결과에 비해 분류 성능을 크게 향상시켰다. 특히 두 도메인 영상의 분광 특성이 상이할 때 제안 방법론의 분류 정확도는 소스 베이스라인과 초기 분류 결과보다 각각 최대 40.23%p와 12.28%p 증가하였다. 이러한 결과를 바탕으로, 제안 방법론은 사용자 개입 없이 작물구분도 제작하는데 효과적으로 활용할 수 있다. 이러한 결과를 바탕으로 제안 방법론은 사용자 개입 없이 작물구분도 구축에 효과적으로 활용할 수 있다. 또한 농업뿐만 아니라 국토, 환경, 산림 등의 다양한 분야에서도 도메인 적응 기반의 확장성 높은 주제도 구축에 제안 방법론이 효과적으로 적용될 수 있을 것으로 기대된다.