중요한 설계 선택 요소: 원격 감지 다중 레이블 분류를 위한 기능적 분산 분석

Design Choices That Matter: A Functional ANOVA Analysis for Remote Sensing Multi-Label Classification

원격 감지 이미지(RSI)의 다중 레이블 분류(MLC)에 대한 딥러닝(DL) 모델의 성능을 평가할 때, 일반적으로 얻어지는 순위는 평가된 데이터 세트 외부로 일반화되지 않습니다. 본 연구에서는 기능적 분산 분석(fANOVA)을 활용하여 개별 설계 선택 요소와 그 상호 작용이 성능 변동에 미치는 기여도를 체계적으로 정량화함으로써 이러한 한계를 극복합니다. 네트워크 구조, 파인튜닝 전략, 학습 전략 및 초기화 등 다양한 설계 선택 요소를 포함하는 48개와 20개의 DL 모델을 대상으로 두 가지 실증적 분석을 수행했습니다. fANOVA를 사용하여 7개의 MLC RSI 데이터 세트에 대한 분석을 수행함으로써, 설계 선택 요소에 따른 민감도 프로필을 나타내는 데이터 세트 메타 표현을 구축했습니다. 이러한 메타 표현의 계층적 클러스터링 분석 결과, 데이터 세트는 설계 결정에 대한 반응 방식에 따라 자연스럽게 그룹화되는 경향이 있으며, 이는 데이터 세트 자체의 특성(예: 크기, 공간 해상도 및 레이블 공간 복잡성)과 강하게 관련되어 있습니다. 연구 결과는 대규모 데이터 세트에서는 파인튜닝 전략과 아키텍처가 주요 요인이지만, 데이터가 부족한 경우에는 초기화 방법이 결정적인 역할을 한다는 것을 보여줍니다. 중간 규모의 데이터 세트에서는 아키텍처와 학습 전략 간의 상호 작용이 성능에 큰 영향을 미칩니다.

Benchmarking deep learning (DL) models for multi-label classification (MLC) of remote sensing images (RSI) typically yields rankings that do not generalize beyond the evaluated datasets. In this work, we move beyond rankings by employing functional analysis of variance (fANOVA) to systematically quantify the contributions of individual design choices and their interactions to performance variability. We conduct two empirical analyses covering 48 and 20 DL models, respectively, spanning design choices such as network architecture, fine-tuning strategy, learning strategy, and initialization. By applying fANOVA across seven MLC RSI datasets, we construct dataset meta-representations that capture design-choice sensitivity profiles. Hierarchical clustering of these meta-representations reveals that datasets naturally group according to how they respond to design decisions, with patterns strongly linked to intrinsic dataset properties such as scale, spatial resolution, and label space complexity. Our findings show that for large-scale datasets, fine-tuning strategy and architecture are dominant factors, while in data-limited regimes, initialization becomes decisive. For intermediate regimes, the interaction between architecture and learning strategy governs performance.