딥러닝 기반 의미론적 분할 기법을 통한 건물 자동추출 연구: 모델의 가중치 경중과 전이학습에 따른 정확도 변화 중심으로 (Automatic Building Extraction Using Deep Learning-Based Semantic Segmentation Technique: Focusing on changes in accuracy according to the weight of the model and transfer learning)

서지정보

· 발행기관 : 한국측량학회
· 수록지 정보 : 한국측량학회지 / 41권 / 6호 / 605 ~ 615페이지
· 저자명 : 유수홍, 손홍규

초록

건물 객체는 3차원 모델링, 도시확장 및 환경 분석 등의 분야에 활용될 수 있는 중요한 공간정보 자료원으로, 지속적인 정보 구축이 중요하나 자동으로 구축하기가 쉽지 않은 지형지물 중 하나이다. 이를 해결하는 방안으로 무거운 신규 신경망을 개발하거나 전이학습을 활용하는 방안들이 제시되고 있으나, 여전히 한계가 있다. 이에, 본 연구에서는 가중치의 경중에 따른 모델의 분류 성능과 ImageNet 가중치를 이용한 전이학습 기법이 원격탐사 분야에서의 활용 가능성을 파악하기 위한 실험을 진행하였다. 이를 위해 AiHub의 토지피복지도 학습 데이터를 사용하였으며, MobileNet, ResNet을 백본 신경망으로 사용한 U-Net과 Deeplab V3+ 분류 모델을 활용하였다. 실험 결과, MobileNet기반의 U-Net 모델로 전이학습을 진행하지 않았을 때, 분류정확도가 가장 높은 것으로 나타났으며(f1-score: 0.8483), 시각적으로도 전이학습이 아닌 처음부터 학습시킨 모델이 더 참값에 가깝게 건물을 묘사하는 것으로 확인되었다. 이는 전이학습을 수행하기 위해 신경망을 국한할 필요 없이 다양한 방법을 활용할 수 있다는 의미이며, AiHub에서 제공하는 수준의 데이터 양이 있다면 일정 수준 이상의 분류정확도를 가지는 모델을 제작할 수 있음을 시사한다.

영어초록

Building objects are an essential spatial information source that can be used in fields such as 3D modeling, urban expansion, and environmental analysis. They are one of the geographical features for which continuous information construction is essential but are not easy to construct automatically. As a solution to this problem, methods have been proposed to develop new heavy neural networks or utilize transfer learning, but there are still limitations. This study conducted an experiment to determine the model's classification performance according to the weight and the possibility of using the transfer learning technique using ImageNet weights in remote sensing. For this purpose, AiHub's land cover map learning dataset was used, and U-Net and Deeplab V3+ classification models using MobileNet and ResNet as backbone neural networks were utilized. As a result of the experiment, the classification accuracy was found to be highest when transfer learning was not performed with the MobileNet-based U-Net model (f1-score: 0.8483). Additionally, visually, it was confirmed that the model learned from scratch rather than transfer learning depicted the building closer to the ground truth. This means that a variety of methods can be used to perform transfer learning without the need to limit the neural network, and it suggests that if there is an amount of data at the level provided by AiHub, a model with a certain level of classification accuracy can be created.

참고자료

· 없음