드론 항공영상을 이용한 딥러닝 기반 앙상블 토지 피복 분할알고리즘 개발 (Development of Deep Learning Based Ensemble Land Cover Segmentation Algorithm Using Drone Aerial Images)

서지정보

· 발행기관 : 대한원격탐사학회
· 수록지 정보 : 대한원격탐사학회지 / 40권 / 1호 / 71 ~ 80페이지
· 저자명 : 박해광, 백승기, 정승현

초록

이 연구에서는 무인 항공기(Unmanned Aerial Vehicle, UAV)가 캡처한 이미지의 의미론적 토지 피복분할 성능을 향상시키기 위한 앙상블 학습 기법을 제안하고 있다. 도시 계획과 같은 분야에서 UAV 사용이증가함에 따라 토지 피복 분할을 위한 딥러닝 분할 방법을 활용한 기술 개발이 활발히 이루어지고 있다. 이연구는 대표적인 분할 모델인U-Net, DeepLabV3 그리고 Fully Convolutional Network (FCN)를 사용하여 분할 예측 성능을 개선하는 방법을 제안한다. 제안된 접근 방식은 세 가지 분할 모델의 훈련 손실, 검증 정확도및 클래스별 점수를 통합하여 앙상블 모델을 개발하고 전반적인 예측 성능을 향상시킨다. 이 방법은 건물, 도로, 주차장, 논, 밭, 나무, 빈 공간, 미분류 영역을 포함하는 일곱 가지 클래스가 있는 토지 피복 분할 문제에 적용하여 평가하였다. 앙상블 모델의 성능은 mean Intersection over Union (mIoU)으로 평가하였으며,제안된 앙상블 모델과 기존의 세 가지 분할 방법을 비교한 결과mIoU 성능이 향상되었음이 나타났다. 따라서 이 연구는 제안된 기술이 의미론적 분할 모델의 성능을 향상시킬 수 있음을 확인하였다.

영어초록

In this study, a proposed ensemble learning technique aims to enhance the semantic segmentationperformance of images captured by Unmanned Aerial Vehicles (UAVs). With the increasing use of UAVsin fields such as urban planning, there has been active development of techniques utilizing deep learningsegmentation methods for land cover segmentation. The study suggests a method that utilizes prominentsegmentation models, namely U-Net, DeepLabV3, and Fully Convolutional Network (FCN), to improvesegmentation prediction performance. The proposed approach integrates training loss, validation accuracy,and class score of the three segmentation models to enhance overall prediction performance. The methodwas applied and evaluated on a land cover segmentation problem involving seven classes: buildings, roads,parking lots, fields, trees, empty spaces, and areas with unspecified labels, using images captured by UAVs.
The performance of the ensemble model was evaluated by mean Intersection over Union (mIoU), and theresults of comparing the proposed ensemble model with the three existing segmentation methods showedthat mIoU performance was improved. Consequently, the study confirms that the proposed technique canenhance the performance of semantic segmentation models.

참고자료

· 없음