다중센서 고해상도 위성영상의 딥러닝 기반 영상매칭을 위한 학습자료 구성에 관한 연구

강원빈; 정민영; 김용일

추천

검색

자료유형: 학술저널

저자정보: 강원빈 (서울대학교) 정민영 (서울대학교) 김용일 (서울대학교)

저널정보: 대한원격탐사학회 대한원격탐사학회지 대한원격탐사학회지 제38권 제6호

발행연도: 2022.12

수록면: 1,505 - 1,514 (10page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

이 논문의 연구 히스토리 (2)

2022

다중센서 고해상도 위성영상의 딥러닝 기반 영상매칭을 위한 학습자료 구성에 관한 연구

강원빈 , 정민영 , 김용일 대한원격탐사학회지 2022.12 학술저널

KOMPSAT-3A 영상을 활용한 딥러닝 기반 고해상도 위성영상 정합쌍 추출 알고리즘의 적용성 평가

강원빈 , 정민영 , 김용일 한국측량학회 학술대회자료집 2022.04 학술대회자료

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

초록· 키워드

오류제보하기

영상정합은 다시기 및 다중센서 고해상도 위성영상을 효과적으로 활용하기 위해 필수적으로 선행되는중요한 과정이다. 널리 각광받고 있는 딥러닝 기법은 위성영상에서 복잡하고 세밀한 특징을 추출하여 영상 간빠르고 정확한 유사도 판별에 사용될 수 있음에도 불구하고, 학습자료의 양과 질이 결과에 영향을 미치는 딥러닝 모델의 한계와 고해상도 위성영상 기반 학습자료 구축의 어려움에 따라 고해상도 위성영상의 정합에는 제한적으로 적용되어 왔다. 이에 본 연구는 영상정합에서 가장 많은 시간을 소요하는 정합쌍 추출 과정에서 딥러닝 기반 기법의 적용성을 확인하기 위하여, 편향성이 존재하는 고해상도 위성영상 데이터베이스로부터 딥러닝 영상매칭 학습자료를 구축하고 학습자료의 구성이 정합쌍 추출 정확도에 미치는 영향을 분석하였다. 학습자료는 12장의 다시기 및 다중센서 고해상도 위성영상에 대하여 격자 기반의 Scale Invariant Feature Transform(SIFT) 알고리즘을 이용하여 추출한 영상쌍에 참과 거짓의 레이블(label)을 할당한 정합쌍과 오정합쌍의 집합으로 구축되도록 하였다. 구축된 학습자료로부터 정합쌍 추출을 위해 제안된 Siamese convolutional neuralnetwork (SCNN) 모델은 동일한 두 개의 합성곱 신경망 구조에 한 쌍을 이루는 두 영상을 하나씩 통과시킴으로써 학습을 진행하고 추출된 특징의 비교를 통해 유사도를 판별한다. 본 연구를 통해 고해상도 위성영상 데이터베이스로부터 취득된 자료를 딥러닝 학습자료로 활용 가능하며 이종센서 영상을 적절히 조합하여 영상매칭과정의 효율을 높일 수 있음을 확인하였다. 다중센서 고해상도 위성영상을 활용한 딥러닝 기반 영상매칭 기법은 안정적인 성능을 바탕으로 기존 수작업 기반의 특징 추출 방법을 대체하고, 나아가 통합적인 딥러닝 기반영상정합 프레임워크로 발전될 것으로 기대한다.

Image matching is a crucial preprocessing step for effective utilization of multi-temporaland multi-sensor very high resolution (VHR) satellite images. Deep learning (DL) method which isattracting widespread interest has proven to be an efficient approach to measure the similarity betweenimage pairs in quick and accurate manner by extracting complex and detailed features from satelliteimages. However, Image matching of VHR satellite images remains challenging due to limitations ofDL models in which the results are depending on the quantity and quality of training dataset, as well asthe difficulty of creating training dataset with VHR satellite images. Therefore, this study examines thefeasibility of DL-based method in matching pair extraction which is the most time-consuming processduring image registration. This paper also aims to analyze factors that affect the accuracy based on theconfiguration of training dataset, when developing training dataset from existing multi-sensor VHRimage database with bias for DL-based image matching. For this purpose, the generated training datasetwere composed of correct matching pairs and incorrect matching pairs by assigning true and false labelsto image pairs extracted using a grid-based Scale Invariant Feature Transform (SIFT) algorithm for atotal of 12 multi-temporal and multi-sensor VHR images. The Siamese convolutional neural network(SCNN), proposed for matching pair extraction on constructed training dataset, proceeds with modellearning and measures similarities by passing two images in parallel to the two identical convolutionalneural network structures. The results from this study confirm that data acquired from VHR satelliteimage database can be used as DL training dataset and indicate the potential to improve efficiency of the matching process by appropriate configuration of multi-sensor images. DL-based image matchingtechniques using multi-sensor VHR satellite images are expected to replace existing manual-based featureextraction methods based on its stable performance, thus further develop into an integrated DL-basedimage registration framework.

#VHR satellite image #Image registration #Multi-sensor image matching #Deep learning #Siamese convolutional neural network

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

강원빈

소속기관 서울대학교

주요연구분야 공학 > 건축공학 > 토목공학 자연과학 > 기타 자연과학

논문수 3 이용수 276

정민영

소속기관 서울대학교

주요연구분야 자연과학 > 기타 자연과학

논문수 4 이용수 54

김용일

소속기관 서울대학교

주요연구분야 자연과학 > 기타 자연과학

논문수 1 이용수 26

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

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (0)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

최근 본 자료

댓글(0)