3D 딥러닝을 위한 CityJSON 기반의 점군 학습 데이터 생성 (Generating CityJSON-based Point Cloud Training Dataset for 3D Deep Learning)

서지정보

· 발행기관 : 한국측량학회
· 수록지 정보 : 한국측량학회지 / 40권 / 6호 / 487 ~ 500페이지
· 저자명 : 손경완, 신영하, 염재홍, 이동천

초록

딥러닝(DL: Deep Learning)은 1940년대에 인공신경망(ANN: Artificial Neural Network) 개념이 도입된 이후,특히 지난 10년 동안 다양한 분야에서 급속하게 발전과 진화를 계속하고 있다. 최근 GeoAI (Geospatial A rtificialIntelligence)는 AI 기반의 DL 기술을 공간정보에 구현하여 여러 성과물을 생성하고 지능적 의사결정을 제공하기 위해 새롭게 부상하고 있는 공간정보의 한 분야이다. 그러나 DL의 주요 장애물은 다량의 학습 데이터와 레이블을 획득하고 생성하는 것이다. 특히 레이블링은 많은 시간과 전문적 인력이 요구되는 중요한 과정으로 대부분의 경우 시각적판단에 의존하여 수동적인 방법으로 수행된다. 점군집 데이터의 레이블링은 영상에 비해 더 어렵고 많은 시간이 소요된다. 이러한 문제점을 해결하기 위해 본 논문은 CityJSON을 활용하여 LiDAR와 같은 점군 데이터를 이용하여 3차원 DL에 필요한 대용량의 학습 데이터와 레이블 셋을 체계적이고 효율적이며 자동으로 생성하는 방법을 제시하고있다. 또한 객체의 기하학적 정보를 제공할 수 있는 표면 법선벡터를 모든 점에서 추정하였다. 점군 데이터의 3차원 좌표와 법선벡터를 함께 학습에 사용하면, DL 모델의 학습성능을 향상시킬 수 있다. 제안한 방법에 의해 생성된 데이터셋을 점군 기반의 3차원 DL 모델 학습에 사용하면 건물의 의미적 분할과 객체 및 구성요소 분할을 수행하고 궁극적으로 3차원 건물 모델링을 수행할 수 있다. 제안한 방법을 수행하기 위한 주요 파이썬 코드를 부록에 제공하였다.

영어초록

DL (Deep Learning) has evolved and developed rapidly in various areas in the past decade since the concept ofANN (Artificial Neural Networks) was introduced in the 1940s. Recently, GeoAI (Geospatial Artificial Intelligence)is one of the newly emerging fields of geoinformatics to create geospatial products and to provide smart decisionmakingthrough the AI-based procedure including implementation of the DL models with model training. However,the major obstacle of the DL is to obtain and/or to create training data and labeling. In particular, labeling, is animportant task in deep learning that requires an enormous amount of time and effort, which in most cases is donemanually through visual judgement. The labeling process for the point cloud data is more challenging and timeconsumingthan for imagery. In this regard, the purpose of this paper is to present a method for systematically,efficiently, and automatically generating large amounts of training and label datasets required for 3D DL usingpoint cloud data such as LiDAR by utilizing CityJSON. In addition, surface normal vectors of the point cloudsthat could provide geometric information of the object were estimated. Utilizing the normal vectors along with the3D coordinates of the point clouds could improve DL model training performance. The datasets generated fromthe proposed method could be used for 3D DL model training to perform semantic, instance and part segmentationof buildings, and eventually 3D building modeling. In appendix, python codes for generating dataset based on theproposed method are provided.

참고자료

· 없음