Lightweight Deep Learning for Efficient and Semantic-Aware Visual Recognition

Abstract

In today’s era of advanced visual recognition and intelligent perception, Deep Learning (DL) has revolutionized the interpretation of complex visual information. It is particularly significant in the domain of remote sensing imagery providing crucial insights for environmental monitoring, urban planning, disaster response, and national security. The rapid expansion of multi-sensor and multi-resolution imagery has led to a huge increase in visual data, demanding advanced yet efficient computational frameworks. However, traditional deep learning models, despite their accuracy, remain computationally heavy. This dissertation explores the potential of lightweight and adaptable deep learning approaches to address these limitations, aiming to achieve scalable and efficient multi-task visual recognition in remote sensing. The diversity and heterogeneity of remote sensing data from satellites, Unmanned Aerial Vehicles (UAVs), and aerial platforms present additional challenges, including scale variation, sensor disparity, and environmental complexity. Differences in viewpoint, illumination, resolution, and spatial details often hinder the generalization ca-pability of visual models. Achieving consistent recognition performance across multiple domains and tasks while being computationally efficient is crucial. To overcome these limitations, this research focuses on developing robust lightweight architectures that ensure optimized performance. This dissertation highlights how efficient deep learning methods can advance interpretable visual understanding in remote sensing tasks. The research is structured into three key chapters: lightweight semantic segmentation network development for urban scene understanding, a lightweight framework for scene classification, demonstrating efficiency and robustness across diverse remote sensing datasets and the adaptability of the proposed backbone to other downstream tasks to establish its versatility and generalization capability across multiple remote sensing applications. In conclusion, this research signifies the advancement in the field of visual recognition and remote sensing intelligence, offering valuable insights for environmental monitoring, urban planning, and researchers. As remote sensing continues to evolve with diverse sensors and vast imagery, developing efficient deep learning frameworks becomes essential for geospatial analysis. The proposed architectures pave a way for automated scene understanding, multi-domain adaptation, and potential real-time deployment, enabling faster, more interpretable, and resource-efficient analysis of complex remote sensing data.|오늘날의고도화된시각인식과지능형인지시대에딥러닝(DL)은복잡한시각정보 를해석하는방식을혁신적으로변화시켰습니다.특히원격탐사영상분야에서딥러닝은 환경모니터링,도시계획,재난대응,국가안보등과같은다양한응용분야에서중요한 통찰을 제공합니다. 다중 센서 및 다중 해상도 영상의 급격한 확대로 인해 방대한 시각 데이터가 생성되었으며, 이를 처리하기 위한 고도화되면서도 효율적인 계산 프레임워 크가 요구되고 있습니다. 그러나 기존의 딥러닝 모델은 높은 정확도에도 불구하고 계산 비용이크다는한계가있습니다.본논문은이러한제약을해결하기위해경량화및교차 모달 딥러닝 접근법의 가능성을 탐구하며, 원격탐사 분야에서 확장 가능하고 효율적인 다중 과제 시각 인식을 실현하는 것을 목표로 합니다. 위성, 무인항공기(UAV), 항공 플랫폼 등 다양한 원격탐사 데이터는 규모 변화, 센 서 간 차이, 환경 복잡성 등의 추가적인 문제를 제기합니다. 관측 시점, 조도, 해상도, 공간적 세부 정보의 차이는 시각 모델의 일반화 능력을 저해할 수 있습니다. 따라서 여 러 도메인과 과제 전반에서 일관된 인식 성능을 유지하면서 계산 효율성을 확보하는 것이 중요합니다. 이러한 한계를 극복하기 위해 본 연구는 최적화된 성능을 보장하는 견고하고 경량화된 아키텍처의 개발에 중점을 두었습니다. – iii – 이 논문은 효율적인 딥러닝 기법이 원격탐사 분야에서 해석 가능한 시각적 이해를 어떻게 향상시킬 수 있는지를 다룬다. 연구는 세 가지 핵심 장으로 구성되어 있다. 첫째, 도시장면이해를위한경량형(라이트웨이트)시맨틱세그멘테이션네트워크개발,둘째, 다양한원격탐사데이터셋에서효율성과강건성을입증한경량형장면분류프레임워크 구축,셋째,제안된백본이여러다운스트림태스크에적응할수있음을보여주며,다양한 원격탐사 응용 분야에서의 범용성과 일반화 능력을 입증한다. 결론적으로, 본 연구는 시각 인식 및 원격탐사 지능 분야의 발전을 의미하며, 환경 모니터링, 도시 계획, 그리고 연구자들에게 중요한 통찰을 제공한다. 원격탐사가 다양한 센서와 방대한 영상 데이터를 기반으로 발전함에 따라, 효율적인 딥러닝 프레임워크의 개발은 지리공간 분석에 필수적이다. 제안된 아키텍처들은 자동화된 장면 이해, 다중 도메인 적응, 실시간 활용 가능성의 방향을 제시하며, 복잡한 원격탐사 데이터를 보다 빠르고 해석 가능하며 자원 효율적으로 분석할 수 있는 기반을 마련한다.