Earticle

최근 국제무역 환경에서는 기술규정과 적합성 평가를 포함하는 기술무역장벽(TBT)이 확대되고 있으며, 그중 각국이 요구하는 법적의무인증은 수출입 과정에서 중요한 비관세장벽으로 작용하고 있다. 법적의무인증을 충족하기 위해서는 제품의 기능, 용도, 구성요소 등을 정확히 인식하고 이에 적합한 HS 품목분류와 인증 대상 여부를 판단하는 과정이 필수적이다. 그러나 현재 이러한 품목분류 및 인증 판단은 대부분 수작업과 전문가 경험에 의존하고 있어 처리지연과 판정의 불일관성이라는 한계를 지닌다. 이에 본 연구는 4차 산업혁명 기술을 활용한 무역장벽 대응 방안에 주목하고, 인공지능 기반품목 인식 및 특징 분류 모델을 제시한다. 구체적으로 KC 시험소의 시험성적서 이미지와 품질표시 항목을 정제하여 라벨링과 어노테이션을 수행하고, 이를 바탕으로 지도학습용 데이터셋을 구축하였다. 해당 데이터셋을 학습한 인공지능 모델은 제품을 자동으로 인식하고 주요 특징을 구분할 수 있는 가능성을 보여주었다. 본 연구는 법적의무인증 대응 과정에서 발생하는 품목분류 및 인증 판단의 비효율성을 기술적으로 보완할 수 있는 기초적 접근을 제시한다는 점에서 의의를 가진다. 나아가 인공지능 기반품목분류 및 인증 지원 체계는 향후 기술무역장벽 대응 역량을 강화하고, 통관 및 인증 절차의 효율성과 예측 가능성을 제고하는 데 기여할 수 있을 것으로 기대된다.

Purpose : This study examines mandatory certification as a key Technical Barrier to Trade (TBT) and aims to propose an artificial intelligence (AI)–based approach to improve the accuracy and efficiency of product classification and certification decisions in international trade. Research design, data, methodology : Test report images and quality labeling items from KC certification laboratories were collected, labeled, and annotated to construct a supervised learning dataset. An AI model was then trained to recognize products and classify their key characteristics relevant to HS classification and certification applicability. Results : The empirical results show that the trained AI model can automatically recognize products and distinguish major product features, demonstrating its feasibility as a support tool for classification and certification judgment. Conclusions : The study suggests that AI-based product recognition and classification can mitigate inefficiencies in mandatory certification processes, strengthen firms’ responses to TBT measures, and enhance the efficiency and predictability of customs clearance and certification through digital transformation.

클라우드 컴퓨팅과 사물인터넷 기술의 발전과 함께 클라우드 컴퓨팅의 분산 확장 모델인 포그 컴퓨팅이 주목받으면 서 IoT 기반 대규모 분산 환경에서 유용하게 활용되고 다양한 연구가 이루어지고 있다. 그러나 이러한 환경의 네트 워크와 엣지 장비의 취약점을 악용한 사이버 공격 가능성이 증가하며 보안 문제가 더욱 복잡해지고 있다. 이에 본 연구에서는 TON_IoT 데이터셋을 활용한 지도학습 기반 IDS와 디셉션 기법을 결합한 보안 아키텍처를 제시한다. 특정 칼럼의 라벨 인코딩 과정에서 키워드 기반 전처리를 수행하고, 시뮬레이션 데이터를 학습에 포함하여 IDS 성 능을 개선하였다. 또한, 포그 컴퓨팅 환경에 적합한 침입 탐지 시스템 모델을 선정하기 위해 추론 시간을 분석하고 지연 시간을 줄이기 위한 리다이렉션 방법을 제시하였다. 그러나 MitM 데이터의 과적합 문제, 제로데이 공격 탐지 한계, 리다이렉션 방법에 대한 추가 검증은 추후 연구에서 해결해야 할 과제이다.

As cloud computing and Internet of Things technologies advance, fog computing as a distributed extension model of cloud computing is gaining attention and is being widely used in large-scale IoT-based distributed environments with many research efforts underway. However, these environments face increasing cybersecurity challenges due to vulnerabilities in networks and edge devices. To address these issues, this study presents a security framework integrating a supervised learningbased intrusion detection system trained on the TON_IoT dataset with deception techniques. The IDS performance was improved by performing keyword-based preprocessing during label encoding of specific columns and including simulation data in training. And to select an IDS model suitable for the fog computing environment, we analyzed the inference time and proposed a redirection method to reduce latency. However, overfitting of MitM data, limitations in detecting zero-day attacks, and further validation of redirection methods are challenges for future works.

정보기술의 발달로 보험사기의 규모는 매년 급증하고 있고, 그 방법도 공모 형태로 조직화되고 고도화되고 있다. 이를 예측하고 검출하기 위한 다양한 형태의 예측모델이 연구되고 있지만 보험관련 정보는 매우 민감하여 공유와 접근에 위험이 높고 법적인 혹은 기술적인 제약이 많다. 이 논문에서는 최근 4차 산업 혁명의 등장으로 가장 각광받는 기술 중 하나인 블록체인을 기반으로 한 기계학습 보험사기 예측모델을 제안한다. 블록체인 기술을 활용하여 안전하고 신뢰받는 보험청구 정보 공유시스템을 실현하고, 보다 효율적이고 정확한 사기예측을 위하여 사회관계분석이론을 적용하여 각 관계 에 가중치를 부여하고 기계학습 사기 예측패턴을 4단계로 나누어 제안하였다. 사기 가능성이 높은 보험청구건은 보다 앞 선 단계에서 높은 예측 율로 검출되는 효과를 가지며 가능성이 낮은 청구 건은 사후에 참고하여 관리할 수 있도록 차등 적용하였다. 제안하는 모델의 중요 매커니즘은 이더리움(Ethereum) 로컬 네트워크를 구성하여 검증 하였고, 향후 보다 정교한 성능평가가 요구된다.

With the development of information technology, the size of insurance fraud is increasing rapidly every year, and the method is being organized and advanced in conspiracy. Although various forms of prediction models are being studied to predict and detect this, insurance-related information is highly sensitive, which poses a high risk of sharing and access and has many legal or technical constraints. In this paper, we propose a machine learning insurance fraud prediction model based on blockchain, one of the most popular technologies with the recent advent of the Fourth Industrial Revolution. We utilize blockchain technology to realize a safe and trusted insurance information sharing system, apply the theory of social relationship analysis for more efficient and accurate fraud prediction, and propose machine learning fraud prediction patterns in four stages. Claims with high probability of fraud have the effect of being detected at a higher prediction rate at an earlier stage, and claims with low probability are applied differentially for post-reference management. The core mechanism of the proposed model has been verified by constructing an Ethereum local network, requiring more sophisticated performance evaluations in the future.

한국 문화의 역사, 전통과 관련된 디지털 웹 문서가 증가하게 되었다. 하지만 창작자 또는 전통 문화와 관련된 소재를 찾는 사용자들은 정보를 검색해도 결과가 충분하지 않았으며 원하는 정보를 얻지 못하는 경우가 나타나고 있다. 이런 효과적인 정보를 접하기 위해서는 문서 분류가 필요하다. 과거에 문서 분류는 작업자가 수작업으로 문서 분류하여 시간과 비용이 많이 소비하는 어려움이 있었지만, 최근 기계학습 기반으로 한 자동 문서 분류를 통해 효율적인 문서 분류가 이루어진다. 이에 본 논문은 전통문화 콘텐츠를 체계적인 분류체계로 구성한 한민족정보문화마당 데이터를 기반으로 전통문화 콘텐츠 자동 텍스트 분류 모델을 개발한다. 본 연구는 한민족정보문화마당 텍스트 데이터에 대해 단어 빈도수를 추출하기 위해 TF-IDF모델, Bag-of-Words 모델, TF-IDF/Bag-of-Words를 결합한 모델을 적용하여 각각 SVM 분류 알고리즘을 사용하여 전통문화 콘텐츠 자동 텍스트 분류 모델을 개발하여 성능평가를 확인하였다.

The Internet have increased the number of digital web documents related to the history and traditions of Korean Culture. However, users who search for creators or materials related to traditional cultures are not able to get the information they want and the results are not enough. Document classification is required to access this effective information. In the past, document classification has been difficult to manually and manually classify documents, but it has recently been difficult to spend a lot of time and money. Therefore, this paper develops an automatic text classification model of traditional cultural contents based on the data of the Korean information culture field composed of systematic classifications of traditional cultural contents. This study applied TF-IDF model, Bag-of-Words model, and TF-IDF/Bag-of-Words combined model to extract word frequencies for 'Korea Traditional Culture' data. And we developed the automatic text classification model of traditional cultural contents using Support Vector Machine classification algorithm.

최근 스마트폰의 보급 및 웹 서비스의 도입으로 온라인 사용자들은 대규모의 콘텐츠를 시간과 장소에 관계없이 접할 수 있게 되었다. 그러나 사용자들은 대규모의 콘텐츠 사이에서 원하는 콘텐츠를 찾는 데 어려움을 겪게 되었다. 이러한 문제를 해결하기 위해 다양한 분야에서 사용자 모델링 및 추천 시스템에 대한 연구가 활발하게 수행되었다. 그러나 정보 환경의 변화에 따른 시니어 계층의 적극적인 변화에도 불구하고 시니어 계층에 초점을 맞춘 사용자 모델링 및 추천 시스템에 대한 연구는 매우 부족한 실정이다. 이에 본 논문에서는 기계 학습 방법을 기반으로 스마트 시니어 계층의 선호도를 파악할 수 있는 모델링 방법을 제안하고, 스마트 시니어 분류 모델을 개발 한다. 이 결과, 스마트 시니어 계층의 선호도를 파악할 수 있을 뿐만 아니라 스마트 시니어 분류 모델 개발을 통해 시니어 사용자에게 가장 적합한 활동 및 콘텐츠를 제공하는 콘텐츠 추천 연구에 대한 발판을 마련하였다.

With the recent spread of smartphones and the introduction of web services, online users can access large-scale content regardless of time or place. However, users have had trouble finding the content they wanted among large-scale content. To solve this problem, user modeling and content recommendation system have been actively studied in various fields. However, in spite of active changes in senior groups according to the changes in information environment, research on user modeling and content recommendation system focused on senior groups are insufficient. In this paper, we propose a method of modeling smart senior based on their preference, and further develop a smart senior classification model using machine learning methods. As a result, we can not only grasp the preferences of smart seniors, but also develop a smart senior classification model, which is the foundation for the research of a recommendation system which will provide the activities and contents most suitable for senior groups.

PM (Inconsistency Pattern Modeling) is a hybrid supervised learning technique using the inconsistence pattern of input variables in mining data sets. The IPM tries to improve prediction accuracy by combining more than two different supervised learning methods. The previous related studies have shown that the IPM was superior to the single usage of an existing supervised learning methods such as neural networks, decision tree induction, logistic regression and so on, and it was also superior to the existing combined model methods such as Bagging, Boosting, and Stacking. The objectives of this paper is explore the characteristics of the IPM. To understand characteristics of the IPM, three experiments were performed. In these experiments, there are high performance improvements when the prediction inconsistency ratio between two different supervised learning techniques is high and the distance among supervised learning methods on MDS (Multi-Dimensional Scaling) map is long.

Deepfake detection is increasingly critical due to the rise of manipulated media. Existing methods often require extensive datasets and struggle with interpretability issues. To address these issues, this study introduces a novel one-class approach for detecting and localizing deepfake artifacts in videos, using authentic images to generate manipulated data for training. By integrating segmentation and leveraging convolutional neural networks with visual transformers, the method predicts both the presence and location of the generated manipulations. Experiments on seven deepfake datasets and emerging diffusion-based manipulations show that our approach consistently outperforms existing methods, demonstrating superior accuracy and localization capabilities.

Background Frailty is an important condition to detect in its early stages to prevent progression to more severe stages in older adults. Age-related declines in physical performance are strongly associated with frailty. Purpose This study aims to develop a frailty classification model by comparing the performance of machine learning models based on physical performance measures in community-dwelling older adults. Study design A cross-sectional study Methods Physical performance data were collected from older adults aged ≥65 years. Frailty classification models were developed using logistic regression, support vector machine (SVM), K-nearest neighbors (KNN), decision tree, and random forest. Clinical features including short physical performance battery, single-leg stance, SARC-F, body mass index, and mini-mental state examination (MMSE) were used as input variables for model development. The performance of each model was evaluated using accuracy, sensitivity, specificity, precision, F1-score, and area under the receiver operating characteristic curve (AUC). Permutation feature importance was employed to identify key predictors of frailty. Results The KNN model demonstrated the highest classification performance, achieving an accuracy of 0.93, an F1-score of 0.95, and an AUC of 0.86, indicating its suitability for frailty assessment. The logistic regression model achieved an accuracy of 0.86, an F1-score of 0.89, and an AUC of 0.98. The random forest model showed similar results, with an accuracy of 0.86, an F1-score of 0.88, and an AUC of 0.96. The SVM model recorded an accuracy of 0.79, an F1-score of 0.84, and an AUC of 0.80. The decision tree model showed the lowest performance, with an accuracy of 0.71, an F1-score of 0.78, and an AUC of 0.64. Feature importance analysis revealed that MMSE and SARC-F were the most influential predictors in the KNN model. Conclusions This study demonstrates that KNN is well-suited for identifying subtle variations in physical function that contribute to frailty. The results highlight its potential for clinical implementation in automated frailty screening. Feature importance analysis provides insight into key predictors, supporting personalized assessment strategies. However, due to the small sample size, further research is needed to assess the generalizability of frailty classification models in larger populations.

Deep reinforcement learning (DRL) technology has been actively studied with the recent advances in deep learning. As a result, the researchers are continuously improving performance and expanding the applications. However, recent literature reports that the performance of DRL is sensitive to the various design choices, e.g., the neural network initialization. Accordingly, it makes DRL hard to obtain a stable performance, which degrades reproducibility. Therefore, we propose a supervised pre-training method for both policy and value networks to improve stability. We pre-train the policy network to maximize the initial entropy and pre-train the value network to bias the distribution to a specific value. The experiments are conducted on tasks with discrete action space where it is hard to control the initial entropy. Through the experiments, the effectiveness of the proposed method in terms of stability and performance is validated.

소셜미디어의 발달로 인하여 즉각적인 소통이 활발해졌지만, 혐오표현이 유발하는 차별행위가 늘어남에 따라 혐오표현을 필터링하는 연구의 필요성이 제기되고 있다. 혐오표현은 다양한 카테고리로 구분되지만, 카테고리별로 균형 잡힌 데이터셋을 구축하기에는 어려움이 존재한다. 따라서 본 연구에서는 데이터 증강을 적용하여 혐오표현 분류 성능을 향상시킨 모델을 제시한다. Easy data augmentation techniques를 적용하여 최소 규모의 카테고리 데이터를 증강하였다. Kcbert-base 모델에 focal loss와 supervised contrastive learning을 적용하여, 동일 카테고리의 문장 유사도는 높이고, 다른 카테고리와의 문장 유사도는 낮추면서 모델을 학습시켰다. 실험 결과 증강과 focal loss를 적용하지 않은 모델에 비해 easy data augmentation techniques와 focal loss, supervised contrastive learning을 적용한 모델의 평균 정확도는 1.4%, macro f1-score는 4.4% 우수한 것을 확인하였다.

Anomaly recognition in visual and audio data has gained increasing significance in computer vision, as it plays a crucial role in protecting human lives and property. In this work, we developed a semi-supervised multimodal framework for anomaly recognition that combines audio and visual data for better performance. The proposed framework employs a hybrid network consisting of a convolutional neural network, Bi-Directional Long Short-Term Memory, a multi-head attention module, and a fully connected layer for anomalous pattern recognition. We created a novel real-time visual-audio anomaly recognition dataset and evaluated our framework on it, achieving promising results.

Although living organisms differ in shape and size, all are fundamentally structured by genetic sequences. Interpreting these sequences helps explain how organisms function. With the advancement of AI, significant breakthroughs have been made in protein sequencing and understanding protein function. However, there is still room for improvement, as data-intensive models require a substantial amount of protein sequences, many of which are not publicly available or lack quality. In this paper, we present a semi-supervised learning scheme to address the shortage of high-quality training data necessary for training protein language models. We demonstrate that this approach enhances the model's capability to classify toxic fungi protein sequences.

Researchers and healthcare professionals have paid attention to artificial intelligence (AI) in the healthcare industry. The application of effective and efficient AI techniques can help to increase the precision of medical decision. AI offers great advances for countries currently struggling with complex healthcare systems and a physician shortage. In previous research in the field of health management, big data analytics in healthcare has been a significant subject from multidisciplinary aspects. To detect the onset of disease in the large-scale data, examining image and video sources and social media data is required. The literature represents various AI applications for healthcare services as well as an unexplored area of medical research emphasizes medical decision-making, patient diagnostics data, and network of health services. This study presents an innovative datadriven approach with knowledge-based analysis utilizing AI techniques. The proposed method develops a comprehensive approach including machine learning methods and its application to healthcare big data analysis. The significance of identifying and covering the key AI applications for healthcare is suggested. The result highlights that organization may greatly benefit from the use of this technology in healthcare operations with AI-based solutions to provide different treatment options and personalized therapies. With the applications of AI techniques, the general effectiveness of hospitals and healthcare systems may be increased, and overall healthcare costs may be reduced.

Recently, due to the recent significant advances in machine learning and deep learning, it is being utilized in many fields. However, real-world data in the medical field significantly degrades the performance of machine learning algorithms due to problems that are heavily skewed to specific states or that the distribution of data is unbalanced. Therefore, this study solves the problem of not being learned by converting the dependent variable into a regression problem that predicts using a new dependent variable by pseudo labeling. Also, this study present ensemble methods to improve the performance of the model and prevent overfitting.

다가오는 지능정보사회의 핵심이 될 인공지능(AI) 교육의 필요성이 대두되면서, 국가적 차원에서도 교육과정 에 인공지능 관련 내용을 포함하는 등 관심을 집중시키고 있다. 본 연구에서는 지도학습 중심의 머신러닝을 통 해 생활 속 문제를 해결하는 과정에서 학생들의 창의적 문제해결력을 신장시키기 위해 PASPA 교육 프로그램을 제시하였으며, 학습의 효과를 높이기 위해 피지컬 컴퓨팅 도구인 마이크로비트(Micro:bit)를 활용하였다. PASPA 교육 프로그램에 적용된 교수 학습 과정은 문제 인식(Problem Recoginition), 해결 방법 논의(Argument), 데이터 기준 세우기(Setting data standard), 프로그래밍(Programming), 적용 및 평가(Application and evaluation)의 5단 계로 이루어진다. 본 교육 프로그램을 학생들에게 적용한 결과 창의적 문제해결력의 향상을 확인할 수 있었으며, 세부 영역에서는 특정 영역의 지식·사고, 비판적·논리적 사고 영역에서 유의한 차이를 보임이 확인되었다.

As the need for artificial intelligence (AI) education, which will become the core of the upcoming intelligent information society rises, the national level is also focusing attention by including artificial intelligence-related content in the curriculum. In this study, the PASPA education program was presented to enhance students' creative problem-solving ability in the process of solving problems in daily life through supervised machine learning. And Micro:bit, a physical computing tool, was used to enhance the learning effect. The teaching and learning process applied to the PASPA education program consists of five steps: Problem Recoginition, Argument, Setting data standard, Programming, Application and evaluation. As a result of applying this educational program to students, it was confirmed that the creative problem-solving ability improved, and it was confirmed that there was a significant difference in knowledge and thinking in specific areas and critical and logical thinking in detailed areas.

기존의 e스포츠 하이라이트 생성은 주로 사전에 정의된 인게임 이벤트에 기반한 규칙 기반 시스템에 의존해 왔으나, 경기의 세밀한 전개 흐름을 충분히 반영하지 못한다. 본 논문에서는 전문 편집자의 의사결정을 학습하는 지도 학습기 반 하이라이트 탐지 프레임워크를 제안한다. 본 연구는 방송 화면에서 직접 획득 가능한 인게임 수치를 기반으로 시 계열 데이터를 정제하여 학습에 활용함으로써, 특정 중계 환경에 종속되지 않고 일반 사용자 영상에도 동일한 방식으 로 적용할 수 있는 확장성을 확보하였다. 광학 문자 인식을 통해 추출한 인게임 시간 시계열 데이터를 정제하고, 이 상치 보정과 보간을 수행하여 신뢰도 높은 프레임 단위 라벨을 구축하였다. 제안된 방법은 정제된 게임플레이 정보를 활용해 팀 승률과 플레이어 기여도를 예측하고, 이를 통합하여 하이라이트 후보 프레임을 식별한다. 실험 결과, 전문 편집 장면의 특성을 효과적으로 학습하여 높은 정밀도와 재현율을 달성하였으며, 제안된 접근법은 e스포츠 하이라이 트 자동화의 품질과 실용성을 향상시킬 수 있음을 확인하였다.

Conventional esports highlight generation has relied mainly on rule-based systems driven by predefined in-game events, which limits their ability to capture the fine-grained progression of gameplay. This study proposes a supervised learning–based highlight detection framework that models the decision-making patterns of professional editors. The framework leverages in-game numerical indicators directly obtainable from broadcast video and refines them into reliable time-series inputs, thereby ensuring applicability not only to professional broadcast footage but also to gameplay videos produced by general users without dependence on specific production environments. Using optical character recognition, we extract and preprocess frame-aligned in-game time-series data, applying outlier correction and interpolation to construct high-fidelity frame-level labels. The refined game-derived information is then used to estimate team win probability and player contribution, which are integrated to identify candidate highlight frames. Experimental results demonstrate that the proposed method effectively learns the characteristics of expert-edited highlights, achieving high precision and recall. These findings confirm that the framework improves the quality and practicality of automated esports highlight generation.

본 논문은 연안 해역의 CCTV 영상 데이터를 분석하여 위험 상황(예: 고립된 요구조자, 산불, 태풍 등)을 인지하고, 이를 자연어로 설명할 수 있는 경량 비전-언어 모델(VLM) 개발을 목표로 한다. 대규 모 라벨링 없이도 학습 가능한 자기지도학습(Self-Supervised Learning) 기법을 적용하여, 해양 환경 특화 영상 표현을 학습하고, 이후 생성형 언어모델을 결합해 장면을 기술하는 시스템을 제안한다. 특 히, MoCo, DINOv2 등 최신 대조학습 기반 자기지도 모델과 BLIP, Flamingo 등 멀티모달 학습 기법 을 분석하고, 이를 경량화 전략(지식 증류, 양자화 등)과 연계하여 실시간 추론이 가능한 구조를 설계 한다. 문헌 기반 실험 고찰을 통해, 제안된 방법이 적은 라벨로도 높은 설명 성능을 보일 가능성이 높 으며, 실제 연안 감시 시스템에 적용할 경우 위험 탐지 신뢰성과 맥락 이해력이 향상될 것으로 기대된 다. 향후 실제 구현과 도메인 특화 데이터 확보, 시간적 서술 확장 등 과제를 논의하며 본 연구의 실 용성과 확장성을 제시한다.

본 연구는 P2P(Peer-to-Peer) 대출의 부도위험 예측을 위하여 준지도학습(SSL) 기반의 모델을 개발하고자 한 다. 검증된 성능에도 불구하고 지도학습(SL) 방법은 완전 지불 또는 채무불이행과 같이 레이블이 결정된 다수의 데이터 가 필요한데 충분한 수의 레이블 데이터를 수집하려면 많은 자원과 시간이 필요하다. P2P 플랫폼이 급성장하면서 대출 건수도 매해 급증하였고, 레이블이 없는 데이터도 지속적으로 증가하고 있다. 본 연구는 P2P 대출 플랫폼인 LendingClub에서 수집한 데이터를 사용하였다. P2P 대출 중 레이블이 결정된 대출에서 추출한 정보뿐만 아니라 레이 블이 결정되지 않은 대출에서 추출한 정보도 사용하여 부도 위험을 예측하는 SSL 모델을 개발하여 연구를 수행한 결과, 적은 수의 레이블이 결정된 데이터를 사용함에도 불구하고 SSL 방법으로 구축된 모델이 많은 수의 레이블이 결정된 데이터를 사용하여 학습시킨 SL 방법으로 구축된 모델보다 부도 위험 예측성과가 향상되었다.

This study investigates the effect of the semi-supervised learning(SSL) method on predicting default risk of peer-to-peer(P2P) loans. Despite its proven performance, the supervised learning(SL) method requires labeled data, which may require a lot of effort and resources to collect. With the rapid growth of P2P platforms, the number of loans issued annually that have no clear final resolution is continuously increasing leading to abundance in unlabeled data. The research data of P2P loans used in this study were collected on the LendingClub platform. This is why an SSL model is needed to predict the default risk by using not only information from labeled loans(fully paid or defaulted) but also information from unlabeled loans. The results showed that in terms of default risk prediction and despite the use of a small number of labeled data, the SSL method achieved a much better default risk prediction performance than the SL method trained using a much larger set of labeled data.

Growing inventions in deep learning have made a huge impact in remote sensing applications such as disaster management, smart city applications and environment monitoring. Unmanned Aerial Vehicles (UAVs) have emerged as a cost-effective resource among remote sensing platforms offering higher-resolution and detail-oriented observations. Semantic segmentation of such detailed images can lead to many potential applications such as urban planning and recent advancements in segmentation frameworks have served this purpose well. However, these frameworks rely largely on annotated data which is a costly and time-consuming process. Availability of limited labelled data pose challenges as well. To address these issues, a self-supervised learning architecture is proposed in this paper using redundancy reduction principle. A multiple sample redundancy reduction loss-based encoder-decoder architecture is presented. This loss is used to pre-train the encoder in an unsupervised way to learn data representations. These learned representations are used to initialize the encoder for the downstream task. And the encoder-decoder structure is fine-tuned for image segmentation tasks. The efficacy of the proposed network is validated on Urban Drone Dataset achieving 64.90% intersection over union (IoU), 83.06% overall accuracy and 78.37% kappa value while outperforming other dual sample-based loss architectures.