항공 라이다 점군 분류를 위한 기하학적 특성정보 기반 딥러닝

형성웅; 김경휘; 임재형; 최현석; 이동천

doi:10.7848/ksgpc.2024.42.5.395

추천

검색

질문

자료유형: 학술저널

저자정보: 형성웅 (Saehan Aero Surve) 김경휘 (Saehan Aero Surve) 임재형 (Saehan Aero Survey) 최현석 (Saehan Aero Surve) 이동천 (Saehan Aero Surve)

저널정보: 한국측량학회 한국측량학회지 한국측량학회지 제42권 제5호

발행연도: 2024.10

수록면: 395 - 409 (15page)

DOI: 10.7848/ksgpc.2024.42.5.395

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

사진측량은 다양한 플랫폼에 탑재할 수 있는 여러 종류의 첨단 센서와 사용자 중심의 성과물들을 효율적으로 생성할 수 있는 딥러닝(DL)과 같은 기술 발전으로 많은 분야에서 활용이 급증하고 있다. DL의 성능은 인공신경망 구조, 학습 데이터 및 학습방법 등 다양한 요소에 영향을 받는다. 본 논문은 라이다 (LiDAR: Light Detection and Ranging) 데이터의 3D 좌표에서 생성한 기하학적 특징을 활용하여 라이다 점군 분류를 위한 다중 모드 DL을 제시한다. 점군의 고유값으로부터 계산한 기하학적 특성인 omnivariance, eigenentropy, anisotropy, surface variation, sphericity, verticality를 학습에 활용하였다. 각각의 특성은 데이터에 내재된 객체들의 고유 정보이며, 이를 DL 모델 학습에 사용하여 시너지 효과에 의한 DL 성능을 향상시킬 수 있다. 또한, 다중 모드 DL에서 융합이 중요하며, 일반적으로 초기융합, 중간융합 그리고 후기융합으로 분류된다. 본 논문에서는 초기융합과 후기융합 기반의 혼합(또는 하이브리드) 방법을 사용하여 라이다 점군의 분류 결과를 분석하였다. 라이다 데이터와 기하학적 특징들을 멀티 모드 DL 학습에 사용하고 초기융합 방법을 수행하여 라이다 데이터의 분류 정확도가 최대 35% 향상되었다. 그러므로 다중 모드 DL은 데이터에 내재된 특성정보를 활용하는 효과적인 학습방법이다.

#LiDAR point clouds #Geometric features #Multimodal deep learning #Classification #라이다 점군 #기하학적 특성 #다중 모드 딥러닝 #분류

참고문헌 (36)

참고문헌 신청

ASPRS (2019), LAS Specification 1.4-R14, The American Society for Photogrammetry & Remote Sensing, Bethesda, MD, 47p.

Audebert, N., Le Saux, B., and Lefèvre, S. (2018), Beyond RGB: very high resolution urban remote sensing with multimodal deep networks, ISPRS Journal of Photogrammetry & Remote Sensing, Vol. 140, pp. 20-32.

Ayhan, B., Kwan, C., Budavari, B., Kwan, L., Lu, Y., Perez, D., Li, J., Skarlatos, D., and Vlachos, M. (2020), Vegetation detection using deep learning and conventional methods, Remote Sensing, Vol. 12, No. 15, pp. 1-23.

Aßmann, A., Stewart, B., and Wallace, A.M. (2021), Deep learning for LiDAR waveforms with multiple returns, 28th European Signal Processing Conference (EUSIPCO 2020), 18-22 January 2021, Virtual conference, pp. 1571-1575.

Bae, J., Seo, D., and Kim, J. (2022), Machine learning based MMS point cloud semantic segmentation, Korean Journal of Remote Sensing, Vol. 38, No. 5-3, pp. 939-951. (in Korean with English abstract)

함께 읽어보면 좋을 논문

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

이 논문과 함께 이용한 논문

국방 클라우드 컴퓨팅 보안 발전방안 연구

조준하 , 이용준 한국산학기술학회 논문지 2024 .11

자율주행차 선박 하역 지원시스템의 기능안전 및 사이버보안 요구사항 연구

김성진 , 이승찬 , 노홍승 외 1명 한국산학기술학회 논문지 2024 .11

컴퓨터 생성 홀로그램 기반의 문서보안 패턴 암호화 및 복호화를 위한 Pre-training De-noise CNN 기법

고철영 , 황이환 전자공학회논문지 2024 .10

차량 네트워크 분석을 위한 파이썬 프로그래밍 적용에 관한 연구

신봉철 , 노승환 , 박성균 한국정보기술학회논문지 2024 .07

항공기 날개구조물의 신속 정확한 정탄성 해석과 기하 매개변수화

김봉석 , 강신성 , 이경훈 대한기계학회 춘추학술대회 2022 .05

최근 본 자료

전체보기

UCI(KEPA) : I410-151-25-02-091066295

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 (36)

함께 읽어보면 좋을 논문

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)