딥러닝 기반 초해상화 모델을 이용한 드론 사진의 해상도 향상 연구 (Improving the Spatial Resolution of Drone Images Using a Deep Learning-Based Super-Resolution)

서지정보

· 발행기관 : 한국측량학회
· 수록지 정보 : 한국측량학회지 / 41권 / 6호 / 651 ~ 660페이지
· 저자명 : 유수홍, 김필립, 윤준희

초록

단순한 지형지물 추출을 넘어 자연과 사람 간 사회경제적 기능 분석을 진행하기 위해서는 고해상 영상을 활용하는 것이 필수적이다. 고해상 위성 영상 및 항공 영상을 이용할 수 있으나, 경제적 부담으로 인해 지속적인 데이터 취득이 어렵기에, 취득이 비교적 쉬운 원격탐사 영상에 대해 딥러닝 기반의 초해상화 기술을 적용하여 영상의 해상도를 향상하는 방안이 해결책으로 제시되고 있다. 본 연구에서는 고해상과 경제성을 동시에 확보할 수 있는 드론 영상에 대해 초해상화를 통해 영상의 해상도를 향상하였으며, 이는 크기가 매우 작은 사물에 대해서도 탐지 신뢰도를 높이기 위함이다. 본 연구에서는 각종 벤치마크에서 좋은 성능을 보인 EDSR과 SRGAN 모델을 사용하였으며, 학습 데이터는 한국건설기술연구원에서 보유하고 있는 드론과 카메라 장비를 이용하여 촬영 후, 직접 제작하여 실험에 활용하였다. PSNR과 SSIM을 사용하여 최종 결과물에 대한 품질 평가를 진행한 결과, EDSR은 34.24dB의 PSNR 수치와 0.938의 SSIM 수치를 가지는 것으로 나타났으며, SRGAN의 경우에는 각각 36.63dB과 0.954인 것으로 나타나 SRGAN의 성능이 가장 좋은 것으로 나타났다. 이는 벤치마크에 언급된 수치보다도 더 높은 수치이며, 직접 제작한 초해상화 학습 데이터가 신경망 모델에 적합한 정보를 제공했기 때문으로 판단된다. 본 연구의 성과는 탐지 인식률을 향상하기 위한 후속 연구에 적합한 정보를 제공할 수 있는 수준의 결과인 것으로 판단된다.

영어초록

In order to go beyond simple geographic feature extraction and analyze socioeconomic functions between nature and people, it is essential to use high-resolution images. High-resolution satellite and aerial images can be used, but continuous image acquisition is problematic due to economic burden. Therefore, a solution is proposed to improve the resolution of images by applying deep learning-based super-resolution technology to remote-sensing images that are relatively easy to acquire. In this study, to increase detection reliability even for small objects, the resolution of drone images that can secure high resolution and economic efficiency was improved through super-resolution. This study used EDSR (Enhanced Deep Residual Networks for Single Image Super-Resolution) and SRGAN (Super Resolution GAN) models that showed good performance in various benchmarks were used, and the training dataset was acquired using drones and camera equipment owned by the KICT (Korea Institute of Civil Engineering and Building Technology), then produced directly and used for experiments. Quality evaluation of the final result was performed using PSNR (Peak Signal-to-Noise Ratio) and SSIM (Structural Similarity Index). As a result of the experiment, EDSR was found to have a PSNR value of 34.24dB and an SSIM value of 0.938, and SRGAN was found to have 36.63dB and 0.954, respectively, showing that SRGAN had the best performance. The values obtained are higher than those cited in the benchmark, which is attributed to the super-resolution training data produced by KICT, providing suitable information for the neural network model. The outcomes of this study are considered to be of sufficient quality for application in subsequent research aimed at enhancing detection and recognition rates.

참고자료

· 없음