딥러닝 기반 지역 상업가로의 파사드 디자인 아이덴티티 구별 - 서울 성수동 등 상업가로 로드뷰 이미지데이터 학습모델을 기반으로 -

조하영; 이진국

추천

검색

자료유형: 학술저널

저자정보: 조하영 (연세대학교 생활과학연구소) 이진국 (연세대학교 실내건축학과)

저널정보: 한국공간디자인학회 한국공간디자인학회 논문집 한국공간디자인학회 논문집 제18권 제3호

발행연도: 2023.4

수록면: 305 - 314 (10page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

(연구배경 및 목적) 본 논문은 서울의 여러 지역 상업가로에 위치한 건축물 파사드 이미지를 활용하여 딥러닝 학습모델을 구축함으로써 지역별 파사드 아이덴티티 구별 접근 방안에 관해 기술하고자 한다. 지역에 있어서 아이덴티티는 개인의 인지와 관련된 것으로, 개인이 지역에 대해 인식하고 있는 총체적인 이미지의 집합이라고 할 수 있으며, 국내 서울 여러 지역에서는 급속한 도시화 과정 중 지역의 아이덴티티가 변화 및 소실, 확립되기도 하며 이와 관련된 연구가 이어져 오고 있다. 본 연구는 이러한 지역 아이덴티티를 구성하는 다양한 구성 요소 중 시각적 요소에 초점을 맞추어, 딥러닝 기술을 활용하여 지역의 시각적 데이터만으로 각 지역의 아이덴티티가 추론될 수 있는지 확인한다. 최근 딥러닝 기술은 인공지능에 대한 인식이 높아짐에 따라 영상, 이미지, 텍스트 등 다양한 컨텐츠에 확장되어 사용되고 있으며 특히 건축 및 건축공간 디자인에 있어 시각지능모델을 활용한 다양한 기계학습 기반의 추론 및 자동화 등 응용 연구가 이어져 오고 있다. (연구방법) 본 연구는 서울시 내 여러 상업가로를 대상으로 데이터 수집을 진행하고 수집한 데이터를 가공하여 딥러닝 모델을 구축한다. 이에 대한 구체적 과정을 요약하자면 1) 포털사이트의 로드뷰 기능을 활용한 지역별 건축물 파사드 이미지 획득, 2) 이미지 데이터 전처리를 통한 파사드 데이터세트 구축, 3) 사전 훈련된 CNN 기반의 딥러닝 모델 활용 및 학습, 그리고 4) 테스트 이미지 데이터를 통한 테스트 결과 확인 및 논의 순으로 진행한다. (결과) 연구 결과, 구축한 지역별 파사드 이미지 데이터세트 및 딥러닝 학습모델을 통해 각 상업가로의 파사드 이미지라는 시각정보만으로도 각 지역별로 이미지가 분류되는 것을 확인하였다. 특히, 해당 모델의 학습 및 테스트 결과 특정 지역의 파사드 이미지가 높은 정확도로 분류되는 모습을 확인할 수 있었다. 이는 사전도메인 지식을 통해 해당 지역이 타 지역들에 비해 프랜차이즈 매장의 비율이 뚜렷하게 낮은 등 해당 상업가로에 대한 정책 등의 이유가 근거인 것으로 추정될 수 있으며 이를 활용하여 심미적인 요소만으로 지역별 상업가로의 파사드 이미지 학습모델을 통해 상업가로 파사드별 아이덴티티가 추론 가능함을 확인할 수 있었다. (결론) 기존의 지역 및 상업가로의 아이덴티티 관련 연구는 주로 지역민들, 방문객들을 대상으로 인터뷰 및 설문 조사 등 정성적인 방법론을 활용하여 지역성을 정의 내려왔으나, 본 연구의 접근 방안을 통해 확인한 결과를 활용하여 보다 시간적, 비용적으로 효율적인 정량적 접근 방안을 제시하였다는 데 의의가 있으며, 본 연구를 통해 추후 여러 지역의 데이터 수집 및 가공을 기반으로 지역별 경관계획 시 기초 연구로써 제공될 것으로 기대한다.

(Background and Purpose) This paper describes an approach to distinguishing the identity of façades by region. The study constructed a deep learning model using façade images of buildings located on various local commercial streets in Seoul. In each region, identity is related to individual perceptions and can be described as a collection of images that individuals perceive regarding that region. In many parts of Seoul, local identities have changed, been lost, or have been established during the rapid urbanization process, and related research has been conducted. This study focused on visual elements among the various components that make up these local identities, and utilized deep learning technology to confirm whether each region's identity can be inferred from local visual data alone. With the increased awareness of artificial intelligence, deep learning technology has been expanded and used in various contexts, such as creating images and text, and research on applications such as inference and automation using visual intelligence models has continued in the architectural spatial design field. (Method) This study collected data from various commercial streets in Seoul and built a deep learning model by processing the collected data. The specific processes can be summarized in the following order: 1) acquisition of regional building façade images using the street view function of portal sites, 2) construction of façade datasets through image data preprocessing, 3) utilization and learning of pre-trained CNN-based deep learning models, and 4) a review and discussion of the results from the test image data. (Results) Through the built regional façade image dataset and deep learning model, it was confirmed that images were classified by region only with visual information called façade images of each commercial street. In particular, as a result of learning and testing the model, it was confirmed that façade images in a specific region were classified with high accuracy. This can be presumed to be due to reasons such as policies for commercial streets in the region, such as a clearly lower proportion of franchise stores than in other regions. Thus, it was confirmed that identity can be inferred through the façade image learning model of commercial streets by region using only aesthetic factors. (Conclusions) Existing regional and commercial identity-related studies have defined locality using qualitative methodologies, such as interviews and surveys of local residents and visitors. However, this study is meaningful in that it presented a more time- and cost-effective quantitative approach.

#딥러닝 #지역 상업가로 #파사드 #아이덴티티 #로드뷰 #Deep Learning #Local Commercial street #Facade #Identity #Street view

참고문헌 (0)

참고문헌 신청

참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

조하영

소속기관 연세대학교 생활과학연구소

주요연구분야 예술체육학 > 디자인

논문수 2 이용수 42

이진국

소속기관 연세대학교 실내건축학과

주요연구분야 예술체육학 > 디자인

논문수 5 이용수 149

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (0)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

최근 본 자료

댓글(0)