핵 활동 탐지 및 감시를 위한 딥러닝 기반 의미론적 분할을 활용한 변화 탐지 (Change Detection Using Deep Learning Based Semantic Segmentation for Nuclear Activity Detection and Monitoring)

서지정보

· 발행기관 : 대한원격탐사학회
· 수록지 정보 : 대한원격탐사학회지 / 38권 / 6호 / 991 ~ 1005페이지
· 저자명 : 송아람, 이창희, 이진민, 한유경

초록

위성 영상은 핵 활동 탐지와 검증을 위한 효율적인 보조자료로 핵시설과 같이 접근이 어렵고 정보가 제한된 지역에 매우 유용하다. 특히 장비의 이동 또는 시설물의 변화와 같이 핵실험을 준비하는 과정은 시계열분석을 통해 충분히 식별 가능하다. 본 연구에서는 핵 활동과 관련된 주요 객체의 변화를 탐지하기 위하여, 다시기 영상의 의미론적 분할 결과의 차이를 이용하였다. AIHub에서 제공하는 KOMPSAT 3/3A 영상으로 구성된 객체 판독 데이터셋에서 건물, 도로, 소형 객체의 정보를 추출하여 학습하였으며, U-Net, PSPNet, AttentionU-Net에 대하여 주요 파라미터를 변경하며 대상 객체 추출에 적합한 의미론적 분할 모델을 분석하였다. 의미론적 분할 결과의 차영상으로 생성된 결과에 객체 정보를 포함하여 최종 변화 탐지를 수행하였으며, 제안 기법을 임의의 변화를 포함한 시뮬레이션 영상에 적용한 결과, 변화 객체를 효과적으로 추출할 수 있었다. 본 연구에서 제시된 변화 탐지 기법을 적용하기 위해서는, 의미론적 분할의 정확도가 우선적으로 확보되어야 하는 제약이 있으나, 추후 실험 대상 지역에 대한 학습데이터셋이 증가할 수록 적용 가능한 분석 범위가 증가할 것으로 기대된다.

영어초록

Satellite imaging is an effective supplementary data source for detecting and verifying nuclearactivity. It is also highly beneficial in regions with limited access and information, such as nuclearinstallations. Time series analysis, in particular, can identify the process of preparing for the conductionof a nuclear experiment, such as relocating equipment or changing facilities. Differences in the semanticsegmentation findings of time series photos were employed in this work to detect changes in meaningfulitems connected to nuclear activity. Building, road, and small object datasets made of KOMPSAT 3/3Aphotos given by AIHub were used to train deep learning models such as U-Net, PSPNet, and AttentionU-Net. To pick relevant models for targets, many model parameters were adjusted. The final changedetection was carried out by including object information into the first change detection, which wasobtained as the difference in semantic segmentation findings. The experiment findings demonstratedthat the suggested approach could effectively identify altered pixels. Although the suggested approachis dependent on the accuracy of semantic segmentation findings, it is envisaged that as the dataset forthe region of interest grows in the future, so will the relevant scope of the proposed method.

참고자료

· 없음