전이학습을 이용한 UNet 기반 건물 추출 딥러닝 모델의학습률에 따른 성능 향상 분석 (Performance Improvement Analysis of Building Extraction Deep Learning Model Based on UNet Using Transfer Learning at Different Learning Rates)

서지정보

· 발행기관 : 대한원격탐사학회
· 수록지 정보 : 대한원격탐사학회지 / 39권 / 5호 / 1111 ~ 1123페이지
· 저자명 : 예철수, 안영만, 백태웅, 김경태

초록

원격탐사 영상을 이용한 지표 속성의 변화를 모니터링 하기 위해서 딥러닝(deep learning) 모델을 이용한의미론적 영상 분할 방법이 최근에 널리 사용되고 있다. 대표적인 의미론적 영상 분할 딥러닝 모델인 UNet 모델을 비롯하여 다양한 종류의 UNet 기반의 딥러닝 모델들의 성능 향상을 위해서는 학습 데이터셋의 크기가 충분해야 한다. 학습 데이터셋의 크기가 커지면 이를 처리하는 하드웨어 요구 사항도 커지고 학습에 소요되는 시간도 크게 증가되는 문제점이 발생한다. 이런 문제를 해결할 수 있는 방법인 전이학습은 대규모의 학습 데이터셋이 없어도 모델 성능을 향상시킬 수 있는 효과적인 방법이다. 본 논문에서는 UNet 기반의 딥러닝 모델들을대표적인 사전 학습 모델(pretrained model)인 VGG19 모델 및 ResNet50 모델과 결합한 세 종류의 전이학습 모델인 UNet-ResNet50 모델, UNet-VGG19 모델, CBAM-DRUNet-VGG19 모델을 제시하고 이를 건물 추출에 적용하여 전이학습 적용에 따른 정확도 향상을 분석하였다. 딥러닝 모델의 성능이 학습률의 영향을 많이 받는 점을 고려하여 학습률 설정에 따른 각 모델별 성능 변화도 함께 분석하였다. 건물 추출 결과의 성능 평가를 위해서 Kompsat-3A 데이터셋, WHU 데이터셋, INRIA 데이터셋을 사용하였으며 세 종류의 데이터셋에 대한 정확도 향상의 평균은 UNet 모델 대비 UNet-ResNet50 모델이 5.1%, UNet-VGG19 모델과 CBAM-DRUNet-VGG19모델은 동일하게 7.2%의 결과를 얻었다.

영어초록

In recent times, semantic image segmentation methods using deep learning models have beenwidely used for monitoring changes in surface attributes using remote sensing imagery. To enhance theperformance of various UNet-based deep learning models, including the prominent UNet model, it isimperative to have a sufficiently large training dataset. However, enlarging the training dataset not onlyescalates the hardware requirements for processing but also significantly increases the time required fortraining. To address these issues, transfer learning is used as an effective approach, enabling performanceimprovement of models even in the absence of massive training datasets. In this paper we present threetransfer learning models, UNet-ResNet50, UNet-VGG19, and CBAM-DRUNet-VGG19, which arecombined with the representative pretrained models of VGG19 model and ResNet50 model. We appliedthese models to building extraction tasks and analyzed the accuracy improvements resulting from theapplication of transfer learning. Considering the substantial impact of learning rate on the performance ofdeep learning models, we also analyzed performance variations of each model based on different learningrate settings. We employed three datasets, namely Kompsat-3A dataset, WHU dataset, and INRIA datasetfor evaluating the performance of building extraction results. The average accuracy improvements for thethree dataset types, in comparison to the UNet model, were 5.1% for the UNet-ResNet50 model, whileboth UNet-VGG19 and CBAM-DRUNet-VGG19 models achieved a 7.2% improvement.

참고자료

· 없음