딥러닝을 활용한 브이월드 항공사진의 누락오류 탐지 및 복구 :Detection and Recovery of Missing Errors with VWorld Aerial Photographs Using Deep Learning

위현중

추천

검색

자료유형: 학위논문

저자정보: 위현중 (과학기술연합대학원대학교, 과학기술연합대학원)

지도교수: 홍상기

발행연도: 2021

저작권: 과학기술연합대학원대학교 논문은 저작권에 의해 보호받습니다.

이용수12

이 논문의 연구 히스토리 (2)

2021

딥러닝을 활용한 브이월드 항공사진의 누락오류 탐지 및 복구

위현중 대학교 2021.01 학위논문

2020

딥러닝 및 참고 이미지를 이용한 항공사진 누락오류탐지 및 영역 복원

위현중 , 맹준규 , 장인성 외 1명 대한공간정보학회지 2020.12 학술저널

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

최근 공간정보 수집 환경 및 활용 도메인 다양화에 따라 공간정보의 중요성은 커지고 있다. 그중 항공사진은 공간정보 중에서 다양한 수요처에 사용되는데, 가시화 기반자료로 시뮬레이션과 3차원 공간정보 오픈 플랫폼 서비스에 사용될 뿐만 아니라 연구기반자료로 객체 검출 및 식생, 환경 조사에 사용된다.
항공사진을 민간, 공공에 무료로 제공해주고 있는 공간정보 오픈 플랫폼인 브이월드는 항공사진 수집과정 및 서비스 전처리 단계에 데이터 누락오류가 발생하는 문제가 있다. 이러한 누락오류를 탐지, 분석 및 재수집하기엔 많은 양의 데이터, 시간, 지역과 비용 문제 때문에 제한요소가 많다.
특히 항공사진의 누락오류는 다양한 이유로 발생하며, 가시적인 측면의 요구 및 수요처가 가시화 기반자료로 많이 사용되기에 다른 오류에 비해 누락오류 탐지 및 복원 연구가 필요하다.
최근 항공사진, 촬영 시 발생할 수 있는 오류를 보정 및 복구 연구가 이루어지고 있다. 하지만, 이러한 연구는 촬영된 지역이 다양하지 않고, 기존에 촬영되어 보관 중이거나, 서비스 중인 항공사진에 대해선 적용하기 어려운 점이 있다.
이러한 한계점을 극복하고자 본 연구에선 브이월드 항공사진 데이터를 기준으로 누락오류 탐지기법과 복구기법을 제시한다. 누락오류 탐지는 합성 곱 신경 네트워크 모델을 이용하여 누락오류와 정상을 구분한다. 누락오류 복구는 누락오류가 있는 항공사진과 관련된 참고 이미지를 이용하여 복원하는 U-Net/Ref를 사용한다.
브이월드 데이터셋 에서 실험결과 누락오류 탐지는 ResNet18 네트워크가 90.41% 분류 정확도를 보였다. 다양한 누락오류 유형에 대한 복원은 본 연구에서 제안된 U-Net/Ref와 U-Net, VAE 복원 결과를 비교하였다. 복원 결과가 원본 대비 휘도, 구조, 밝기 수치 등 얼마나 다른지 확인하기 위해 가시적 지표로서 SSIM을 측정하였고, 얼마나 왜곡되어 복원되었는지 확인하기 위해 PSNR을 계산하였다. 결과적으로 U-Net/Ref가 기존 U-Net, VAE보다 사각형 누락 에러 유형에 대해 원본과 가깝게 복구하였고, PSNR, SSIM은 기존 연구보다 11%, 6%의 성능 개선을 보여주었다.

Recently, the importance of spatial data is increasing due to the diversification of the spatial data collection environment and utilization domain. Among those various spatial data, aerial photograph is used for various demands, such as simulation, 3D spatial data open platform services, object detection, and environmental surveys as research infrastructure.
VWorld, a spatial data open platform that provides aerial photographs to the private and public free of charge, has a problem of data omission during collecting and preprocessing aerial photograph. However, in huge aerial photograph datasets, there are many limitations to inspect and correct these missing error, in respect of cost and time.
In particular, the missing error of aerial photographs is inevitably missed for a variety of reasons and is often used as a basis for visible aspects of demand and visualization, requiring detection and restoration studies compared to other errors.
Recently, many studies have been conducted to correct and restore errors that may occur in aerial photography. However, these studies do not consider a variety in the scene, and they are difficult to apply to aerial photographs that have been taken and stored or are being serviced.
To overcome these limitations, this study presents a missing error detector and recovery technique. Missing error detection uses a CNN model to distinguish images with missing error from normal images. Missing error recovery uses U-Net/Ref with a reference images to restore missing error areas in the image.
Tests on VWorld datasets showed that the ResNet18 network showed 90.41% classification accuracy. Restores for various types of omissions were compared with the U-Net/Ref proposed in this study, with U-Net and VAE restore results. SSIM was measured as a visible indicator to determine how different the restore results were, such as luminance, structure, and brightness figures from the original, and PSNR was calculated to determine how distorted the restoration was. As a result, U-Net/Ref recovered closer to the original for the missing square error type than the existing U-Net and VAE, while PSNR and SSIM showed 11% and 6% performance improvement over the existing study.

#항공사진 #딥러닝 #인페인팅 #누락오류 탐지 #누락오류 복구

Ⅰ.서 론 ································································ 1
1. 연구 배경 ······················································ 1
2.연구 목표 ······················································ 3
3.논문 구성 ······················································ 5
Ⅱ. 선행 연구 ··························································· 6
1. 공간정보 ························································ 6
2. 딥러닝 - GeoAI ··············································· 16
3. 이미지 평가 ··················································· 23
4. 기존 선행 연구 한계점 ···································· 26
Ⅲ. 항공사진 누락오류 탐지 및 복구 ··························· 30
1. 항공사진 누락오류 학습데이터 생성 ················· 30
2. 항공사진 누락오류 탐지 및 복구 설계 ··············· 33
3. 항공사진 누락오류 탐지 및 복구 결과 ··············· 40
ⅤI. 결론 ·································································· 46
참고문헌 ···························································· 48

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

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)