데이터 확장을 통한 토지피복분류 U-Net 모델의 성능 개선 (The Performance Improvement of U-Net Model for Landcover Semantic Segmentation through Data Augmentation)

서지정보

· 발행기관 : 대한원격탐사학회
· 수록지 정보 : 대한원격탐사학회지 / 38권 / 6호 / 1663 ~ 1676페이지
· 저자명 : 백원경, 이명진, 정형섭

초록

최근 딥러닝을 활용한 토지피복분류 기법 연구가 다수 수행되고 있다. 그런데 양질의 토지피복 학습데이터를 충분하게 구축되지 못하여 성능이 저하되는 양상이 확인되었다. 이에 따라 본 연구에서는 데이터 확장기법의 적용을 통한 토지피복분류 성능의 향상을 확인하였다. 분류 모델로는 U-Net이 활용되었으며 AI Hub에서 제공하는 토지피복 위성 이미지 자료를 연구자료로 활용하였다. 원본 데이터로 학습한 모델과 데이터 확장기법이 적용된 데이터로 학습한 모델의 픽셀 정확도는 각각 0.905와 0.923이었으며 평균 F1 스코어는 각각 0.720과 0.775로 데이터 확장기법을 적용하였을 때가 보다 우수한 성능을 나타내는 사실을 확인할 수 있었다. 또한원본 학습데이터를 활용하여 학습한 모델의 경우 건물, 도로, 논, 밭, 산림, 비대상 지역 클래스에 대한 F1 스코어가 0.770, 0.568, 0.733, 0.455, 0.964 그리고 0.830이었으며, 데이터 확장을 적용하였을 때에 각 클래스에 대한F1 스코어는 각각 0.838, 0.660, 0.791, 0.530, 0.969 그리고 0.860으로 모든 클래스에 대해 데이터 확장이 성능향상에 유효하다는 사실을 확인하였다. 또한, 클래스 균형에 대한 고려없이 데이터 확장을 적용했음에도 불구하고데이터 불균형에 의한 클래스별 성능 왜곡을 완화할 수 있다는 사실을 확인할 수 있었다. 이는 절대적인 학습데이터의 양이 증가했기 때문이라 판단된다. 본 연구 결과는 다양한 영상 처리 분야에서 데이터 확장 기법의중요성과 효과를 증명하는 기반 자료의 역할을 수행할 것으로 기대한다.

영어초록

Recently, a number of deep-learning based land cover segmentation studies have beenintroduced. Some studies denoted that the performance of land cover segmentation deteriorated due toinsufficient training data. In this study, we verified the improvement of land cover segmentationperformance through data augmentation. U-Net was implemented for the segmentation model. And 2020satellite-derived landcover dataset was utilized for the study data. The pixel accuracies were 0.905 and0.923 for U-Net trained by original and augmented data respectively. And the mean F1 scores of thosemodels were 0.720 and 0.775 respectively, indicating the better performance of data augmentation. Inaddition, F1 scores for building, road, paddy field, upland field, forest, and unclassified area class were0.770, 0.568, 0.433, 0.455, 0.964, and 0.830 for the U-Net trained by original data. It is verified that dataaugmentation is effective in that the F1 scores of every class were improved to 0.838, 0.660, 0.791,0.530, 0.969, and 0.860 respectively. Although, we applied data augmentation without considering classbalances, we find that data augmentation can mitigate biased segmentation performance caused by dataimbalance problems from the comparisons between the performances of two models. It is expected thatthis study would help to prove the importance and effectiveness of data augmentation in various imageprocessing fields.

참고자료

· 없음