지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 신요안
- 발행연도
- 2023
- 저작권
- 숭실대학교 논문은 저작권에 의해 보호받습니다.
이용수11
이 논문의 연구 히스토리 (3)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
원격 감지가 계속 발전함에 따라 지구 관측을 위한 다양한 위성 센서에서 획득하는 원겸 감지 데이터가 많아지고 있으며, 그중 SAR 영상은 기상 조건과 관계없이 획득할 수 있고, 시간에 구애받지 않고도 획득할 수 있다는 장점이 있다.
그러나 몇 가지 이유로 SAR 영상을 눈으로 식별하기 어렵다. 우선 단일 채널 정보로 어떠한 색상 정보도 담고 있지 않다. 또한, 스펙클 노이즈로 SAR 영상의 시각적 효과 및 관측에 어려움이 있다. 그리고 SAR 영상의 고유한 영상 메커니즘으로 형상 왜곡과 그림자를 유발하기도 하여 숙달된 전문가만이 해석 가능하며 일반인이 완벽히 이해하기 어렵다.
따라서 SAR-광학 영상 융합 연구는 각 영상의 이점을 도출하는 데 매우 중요한 작업이 되며, 이미지 간 변환 딥러닝 모델인 CycleGAN과 CUT 기반으로 다양한 도메인 간 변환에 관한 연구가 되고 있다.
본 논문에서는 순환 일관성 손실이 CycleGAN 구조를 기반으로 질감에만 초점을 맞춘다는 단점을 지적하고, 대조 학습을 통해 SAR 영상과 광학 영상 간의 상호 정보를 극대화하며, SAR 영상과 광학 영상 간의 영상 패치의 상관관계를 학습하는 이중 대조 학습 GAN의 구조를 적용하였다. 그리고 구조적 특징을 강조하여 부족한 표현력을 해소하기 위해 순환 일관성 손실 함수 대신 LPIPS 손실을 적용하는 기법을 제안하였다.
제안된 방법으로 생성된 영상들이 LPIPS 평가 지표를 포함한 대부분의 영상 평가 지표 성능에서 가장 우수하게 측정되었다. 그리고 생성된 영상들이 다른 GAN 기반 모델과 비교하였을 때 실제 광학 영상과 유사하게 생성되었다.
앞으로 광학 영상이 기상변화로 관측에 제한이 있을 때, 제안된 방법을 적용하여 전천후로 관측할 수 있을 것으로 기대된다.
그러나 몇 가지 이유로 SAR 영상을 눈으로 식별하기 어렵다. 우선 단일 채널 정보로 어떠한 색상 정보도 담고 있지 않다. 또한, 스펙클 노이즈로 SAR 영상의 시각적 효과 및 관측에 어려움이 있다. 그리고 SAR 영상의 고유한 영상 메커니즘으로 형상 왜곡과 그림자를 유발하기도 하여 숙달된 전문가만이 해석 가능하며 일반인이 완벽히 이해하기 어렵다.
따라서 SAR-광학 영상 융합 연구는 각 영상의 이점을 도출하는 데 매우 중요한 작업이 되며, 이미지 간 변환 딥러닝 모델인 CycleGAN과 CUT 기반으로 다양한 도메인 간 변환에 관한 연구가 되고 있다.
본 논문에서는 순환 일관성 손실이 CycleGAN 구조를 기반으로 질감에만 초점을 맞춘다는 단점을 지적하고, 대조 학습을 통해 SAR 영상과 광학 영상 간의 상호 정보를 극대화하며, SAR 영상과 광학 영상 간의 영상 패치의 상관관계를 학습하는 이중 대조 학습 GAN의 구조를 적용하였다. 그리고 구조적 특징을 강조하여 부족한 표현력을 해소하기 위해 순환 일관성 손실 함수 대신 LPIPS 손실을 적용하는 기법을 제안하였다.
제안된 방법으로 생성된 영상들이 LPIPS 평가 지표를 포함한 대부분의 영상 평가 지표 성능에서 가장 우수하게 측정되었다. 그리고 생성된 영상들이 다른 GAN 기반 모델과 비교하였을 때 실제 광학 영상과 유사하게 생성되었다.
앞으로 광학 영상이 기상변화로 관측에 제한이 있을 때, 제안된 방법을 적용하여 전천후로 관측할 수 있을 것으로 기대된다.
목차
제 1 장 서론 11.1 연구 배경 및 내용 11.2 논문의 구성 5제 2 장 관련 연구 62.1 GAN 62.2 cGAN 82.3 Pix2pix 102.4 CycleGAN 13제 3 장 제안된 GAN을 이용한 SAR-광학 영상 변환 153.1 이중 대조 학습 GAN 153.2 제안된 이중 대조 학습 GAN의 손실 함수 173.1.1 적대적 손실 173.1.2 PatchNCE 손실 173.1.3 Identity 손실 193.1.4 LPIPS 손실 203.1.5 제안된 이중 대조 학습 GAN의 총 손실 21제 4 장 실험 및 결과 224.1 실험환경 224.2 데이터 셋 234.3 영상 품질 평가 지표 244.3.1 PSNR 244.3.2 SSIM 244.4 실험 결과 25제 5 장 결론 30참고문헌 31
최근 본 자료
댓글(0)
0