인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
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
- 정제창
- 발행연도
- 2019
- 저작권
- 한양대학교 논문은 저작권에 의해 보호받습니다.
이용수6
초록· 키워드
상세정보 수정요청해당 페이지 내 제목·저자·목차·페이지정보가 잘못된 경우 알려주세요!
위성 영상은 현재 군사적인 목적뿐만 아니라 민간부문에서도 광범위하게 활용되고 있다. 그리고 위성 영상의 수요가 늘어남에 따라 최근 위성 영상에 비전 알고리듬을 적용시키는 시도가 늘어나고 있다. 특히 Synthetic Aperture Radar (SAR) 방식은 날씨나 시간에 무관하게 좋은 화질의 영상을 얻을 수 있는 방법이기 때문에 자주 사용된다. 하지만 SAR 위성 영상은 특성상 목표로 하는 이미지를 얻을 때, 반전 잡음을 같이 생성하게 된다. 생성된 잡음은 SAR 기반의 비전 알고리듬이나 자동화 알고리듬들의 성능을 떨어뜨리기 때문에 반전 잡음을 제거하는 영상 보정을 통해서 결과 이미지의 화질을 개선시켜야한다.
반전 잡음 제거 알고리듬은 크게 두 가지 방식으로 세분화할 수 있는데, 크게 수학적 모델링을 통한 잡음 제거와 딥 러닝 기반의 모델링을 통한 잡음 제거로 분류할 수 있다. 수학적 모델링을 통한 제거 방식은 노이즈의 특성을 통계적으로 분석하여서 그에 맞는 잡음제거 필터를 모델링하는 방식인데, 노이즈의 특성에 따라서 필터의 매개변수를 세심하게 조절해야하기 때문에, 실제로 적용하기에는 비실용적이라는 단점이 있다. 반면 최근에 주목받기 시작한 딥 러닝을 이용한 모델링은 학습에 시간이 오래 걸린다는 단점이 있지만, 학습을 진행한 이후에는 결과 이미지를 얻는 데에 시간이 적게 걸리고 사용도 간편하다는 장점이 있다. 이런 기존의 방식들은 공통적으로 반전 잡음을 제거하면서 이미지 내부의 중요한 윤곽선 정보 또한 같이 제거하는 모습을 보인다. 그리고 윤곽선을 잘 보존하지 못하는 특성은 비전 알고리듬의 성능 저하에 주요한 원인이 된다.
본 논문에서는 기존의 합성 곱 신경망(Convolutional Neural Network) 기반의 딥 러닝 반전 제거 기법에 생성적 적대 신경망(Generative Adversarial impracticalNetwork) 구조를 응용하여 반전 잡음 제거 필터의 윤곽선 보존 성능을 향상시키는 알고리듬을 제안한다. 이 기법은 신경망 학습 시 판별기 신경망과 잡음 제거 필터 신경망을 경쟁시키는 방법으로 진행되고, 학습 최적화시에 단순히 MSE (Mean Square Error)를 사용하는 것이 아닌 structural similarity index (SSIM)를 추가적으로 사용함으로써 결과 이미지의 화질을 높인다. 제안하는 알고리듬은 인공적으로 생성된 SAR 영상과 실제 SAR 영상 모두에 높은 잡음 제거, 윤곽선 보존 성능을 보였으나, 이미지의 균질 영역( homogeneous region) 한해서는 윤곽선 정보를 생성하여 화질을 떨어뜨리는 경향을 보였다.
반전 잡음 제거 알고리듬은 크게 두 가지 방식으로 세분화할 수 있는데, 크게 수학적 모델링을 통한 잡음 제거와 딥 러닝 기반의 모델링을 통한 잡음 제거로 분류할 수 있다. 수학적 모델링을 통한 제거 방식은 노이즈의 특성을 통계적으로 분석하여서 그에 맞는 잡음제거 필터를 모델링하는 방식인데, 노이즈의 특성에 따라서 필터의 매개변수를 세심하게 조절해야하기 때문에, 실제로 적용하기에는 비실용적이라는 단점이 있다. 반면 최근에 주목받기 시작한 딥 러닝을 이용한 모델링은 학습에 시간이 오래 걸린다는 단점이 있지만, 학습을 진행한 이후에는 결과 이미지를 얻는 데에 시간이 적게 걸리고 사용도 간편하다는 장점이 있다. 이런 기존의 방식들은 공통적으로 반전 잡음을 제거하면서 이미지 내부의 중요한 윤곽선 정보 또한 같이 제거하는 모습을 보인다. 그리고 윤곽선을 잘 보존하지 못하는 특성은 비전 알고리듬의 성능 저하에 주요한 원인이 된다.
본 논문에서는 기존의 합성 곱 신경망(Convolutional Neural Network) 기반의 딥 러닝 반전 제거 기법에 생성적 적대 신경망(Generative Adversarial impracticalNetwork) 구조를 응용하여 반전 잡음 제거 필터의 윤곽선 보존 성능을 향상시키는 알고리듬을 제안한다. 이 기법은 신경망 학습 시 판별기 신경망과 잡음 제거 필터 신경망을 경쟁시키는 방법으로 진행되고, 학습 최적화시에 단순히 MSE (Mean Square Error)를 사용하는 것이 아닌 structural similarity index (SSIM)를 추가적으로 사용함으로써 결과 이미지의 화질을 높인다. 제안하는 알고리듬은 인공적으로 생성된 SAR 영상과 실제 SAR 영상 모두에 높은 잡음 제거, 윤곽선 보존 성능을 보였으나, 이미지의 균질 영역( homogeneous region) 한해서는 윤곽선 정보를 생성하여 화질을 떨어뜨리는 경향을 보였다.
목차
- 제 1장 서 론 11.1 연구의 필요성 11.2 기존의 연구들 21.3 연구의 목표 3제 2장 이론적 배경 52.1 생성적 적대 신경망 52.2 레지듀얼 러닝과 스킵 컨넥션 82.3 반전 잡음 모델 102.4 평가지표 14제 3장 제안하는 반전 잡음 제거 알고리듬 163.1 개요 163.2 학습 데이터 생성 163.3 전반적인 신경망의 구성 193.4 최적화 273.4.1 L1 loss 와 L2 loss 273.4.2 Structural Loss 293.4.3 Adversarial Loss 313.4.4 최종 Loss 함수 32제 4장 실험결과 및 분석 334.1 개요 334.2 모의 SAR 위성 영상을 이용한 화질 평가 334.3 실제 SAR 위성 영상을 이용한 화질 평가 43제 5장 결론 47참고 문헌 49Abstract 52
최근 본 자료
