[논문 리뷰] A New Mask R-CNN Based Method for Improved Landslide Detection

Silvia Liberata Ullo, Amrita Mohan외 5명|arXiv (Cornell University)|2020. 10. 04.

Landslides and related hazards참고 문헌 30인용 수 9

한 줄 요약

이 논문은 픽셀 단위 분할과 전이 학습을 활용한 새로운 Mask R-CNN 기반 방법을 제안하여 landslides 탐지 성능을 향상시킨다. 160장의 landslides 및 non-landslides 이미지로 구성된 소규모 데이터셋을 증강하고 ResNet-101을 백본으로 사용해 미세조정한 결과, F1 점수 97%, 정밀도 100%, 재현율 93%를 기록하여 훈련 샘플이 제한된 상황에서도 뛰어난 성능을 보였다.

ABSTRACT

This paper presents a novel method of landslide detection by exploiting the Mask R-CNN capability of identifying an object layout by using a pixel-based segmentation, along with transfer learning used to train the proposed model. A data set of 160 elements is created containing landslide and non-landslide images. The proposed method consists of three steps: (i) augmenting training image samples to increase the volume of the training data, (ii) fine tuning with limited image samples, and (iii) performance evaluation of the algorithm in terms of precision, recall and F1 measure, on the considered landslide images, by adopting ResNet-50 and 101 as backbone models. The experimental results are quite encouraging as the proposed method achieves Precision equals to 1.00, Recall 0.93 and F1 measure 0.97, when ResNet-101 is used as backbone model, and with a low number of landslide photographs used as training samples. The proposed algorithm can be potentially useful for land use planners and policy makers of hilly areas where intermittent slope deformations necessitate landslide detection as prerequisite before planning.

연구 동기 및 목표

• 산지 지역의 조기 경고 및 토지 이용 계획을 위한 딥 러닝 기반의 강력한 landslides 탐지 시스템을 개발하기 위해.
• l在全国sides 탐지에 적합한 훈련 데이터가 제한된 문제를 데이터 증강 및 전이 학습을 통해 해결하기 위해.
• 지형 영상에서 Mask R-CNN의 인스턴스 분할 기능을 통해 분할 정확도를 향상시키기 위해.
• 정밀도, 재현율, F1 등의 표준 지표를 사용하여 수집된 landslides 및 non-landslides 이미지 데이터셋에서 모델 성능을 평가하기 위해.
• 토지 이용 계획가 및 정책 결정자들이 인프라 개발 이전에 경사면 불안정성을 탐지할 수 있도록 실용적인 도구를 제공하기 위해.

제안 방법

• 이 방법은 인스턴스 분할을 가능하게 하여 위성 또는 항공 영상에서 landslides의 픽셀 수준 위치를 정확히 파악하는 Mask R-CNN을 활용한다.
• 훈련 및 평가를 위해 landslides 및 non-landslides 샘플을 포함한 160장의 이미지로 구성된 맞춤형 데이터셋을 구축하였다.
• 훈련 세트의 효과적 크기를 늘리고 모델의 일반화 능력을 향상시키기 위해 데이터 증강 기법을 적용하였다.
• ImageNet에서 사전 학습된 ResNet-50 및 ResNet-101 백본을 사용하여 모델을 초기화함으로써 제한된 데이터에서의 특징 학습 능력을 향상시켰다.
• 두 단계 훈련 과정인 특징 추출 및 엔드 투 엔드 미세조정을 통해 증강된 데이터셋에서 모델을 미세조정하였다.
• 검증 세트에서 정밀도, 재현율, F1 점수를 사용하여 성능을 평가하여 탐지 정확도와 견고성을 평가하였다.

실험 결과

연구 질문

• RQ1 160장의 이미지로 구성된 소규모 데이터셋에서 훈련된 Mask R-CNN와 전이 학습이 높은 정확도의 landslides 탐지 성능을 달성할 수 있는가?
• RQ2 제한된 훈련 샘플을 가진 landslides 탐지 모델에서 데이터 증강이 일반화 능력과 성능에 어떤 영향을 미치는가?
• RQ3 l在全国sides 인스턴스 분할에서 ResNet-50와 ResNet-101은 각각 어떤 성능을 보이는가?
• RQ4 최소한의 레이블이 부여된 훈련 데이터로 딥 러닝 모델이 높은 정밀도와 재현율을 달성할 수 있는 정도는 어느 정도인가?
• RQ5 제안된 방법은 토지 이용 계획 및 경사면 안정성 모니터링과 같은 실용적 응용에 기여할 수 있는가?

주요 결과

• ResNet-101을 백본 모델로 사용할 경우 정밀도 1.00, 재현율 0.93, F1 점수 0.97를 기록하였다.
• 단지 160장의 훈련 이미지만으로도 모델이 뛰어난 일반화 능력과 견고성을 보였으며, 실질적인 도입 가능성이 높음을 시사한다.
• 데이터 증강의 사용은 훈련 샘플의 다양성을 증가시켜 모델 성능을 크게 향상시켰다.
• F1 점수와 재현율 측면에서 ResNet-101이 ResNet-50를 능가했으며, 이는 깊이 있는 네트워크가 이 맥락에서 전이 학습의 이점을 더 잘 활용할 수 있음을 시사한다.
• 높은 정밀도는 거짓 양성 결과가 극히 적음을 의미하며, 이는 토지 이용 계획에서 신뢰할 수 있는 의사결정을 내리는 데 매우 중요하다.
• 결과적으로 Mask R-CNN와 전이 학습의 조합은 제한된 데이터 조건에서도 픽셀 수준의 landslides 분할에 매우 효과적임을 확인하였다.