[논문 리뷰] Comparative Analysis of Methods for Cloud Segmentation in Infrared Images

Guillermo Terrén-Serrano, Manel Martínez‐Ramón|arXiv (Cornell University)|2020. 12. 13.

Solar Radiation and Photovoltaics인용 수 7

한 줄 요약

이 연구는 실시간 인프라레드(IR) 영상에서의 구름 분할을 위한 판별 모델와 생성 모델를 비교하여 단기 전 세계 일조량 예측 정확도를 향상시키는 것을 목적으로 한다. 이산화 마르코프 무작위 필드(MRFs)와 전처리를 통해 정적 아티팩트를 제거한 원시형식 판별 모델을 활용함으로써 MRFs가 가장 뛰어난 성능을 보였고, 판별 모델은 저비용의 계산 비용과 높은 정확도를 제공한다.

ABSTRACT

The increasing penetration of Photovoltaic (PV) systems in the power network makes the grid vulnerable to the projection of cloud shadows over PV systems. Real-time segmentation of clouds in infrared (IR) images is important to reduce the impact of noise in the short-term forecast of Global Solar Irradiance (GSI). This investigation presents a comparison between discriminate and generative models for cloud segmentation. Markov Random Fields (MRF), which add information from neighboring pixels to the prior, are included among the analyzed generative models. This investigation includes an evaluation of the performance of supervised and unsupervised learning methods in cloud segmentation. The discriminate models are solved in the primal formulation to make them feasible in real-time applications. The performances are compared using the j-statistic. Preprocessing of IR images to remove stationary artifacts increases the overall performances in all of the analyzed methods. The inclusion of features from neighboring pixels in the feature vectors leads to an improvement in the performances in some of the cases. The MRFs achieve the best performance in both unsupervised and supervised generative models. The discriminate models solved in the primal yield a dramatically lower computing time along with high performance in the segmentation. The performances of the generative models are comparable to those of the discriminate models when proper preprocessing is applied to the IR images.

연구 동기 및 목표

• 증가하는 태양광(PV) 전력망 통합으로 인한 PV 시스템에 미치는 구름 그림자 영향을 해결하고자 한다.
• 실시간 인프라레드(IR) 영상에서의 구름 분할을 가능하게 하여 단기 전 세계 일조량(GSI) 예측 정확도를 향상시키고자 한다.
• IR 데이터를 활용한 구름 분할에서 지도학습 및 비지도학습 방법의 성능을 평가하고자 한다.
• 전처리 및 공간적 맥락(이웃 픽셀)이 분할 정확도에 미치는 영향을 평가하고자 한다.
• 실시간 구동에서 높은 정확도를 확보할 수 있는 가장 효과적인 모델 유형—판별 모델 또는 생성 모델—을 특정하고자 한다.

제안 방법

• 이웃 픽셀의 공간적 맥락을 통합하여 분할 사전 지식을 향상시키는 생성 모델로 마르코프 무작위 필드(MRFs)를 적용한다.
• 실시간 응용에 대한 계산 가능성을 보장하기 위해 판별 모델의 원시형식을 사용한다.
• IR 영상에서 정적 아티팩트를 제거하기 위한 전처리 기법을 구현하여 특징 품질을 향상시킨다.
• 이웃 픽셀의 특징을 특징 벡터에 통합하여 모델 성능을 향상시킨다.
• 분할 정확도 비교에 적합한 지표인 j-통계량을 사용하여 모델 성능을 평가한다.
• 동일한 조건에서 생성 모델(MRF 기반)과 판별 모델의 지도학습 및 비지도학습 변종을 비교한다.

실험 결과

연구 질문

• RQ1 MRF와 같은 생성 모델이 인프라레드 영상에서의 구름 분할 정확도에서 판별 모델에 비해 어떻게 비교되는가?
• RQ2 정적 아티팩트를 제거하기 위한 전처리가 다양한 모델 유형에서 분할 성능에 어떤 영향을 미치는가?
• RQ3 이웃 픽셀의 공간적 맥락을 통합함으로써 분할 결과가 얼마나 향상되는가?
• RQ4 원시형식으로 해결된 판별 모델은 실시간 사용에 적합한 낮은 계산 시간을 유지하면서도 높은 정확도를 달성할 수 있는가?
• RQ5 비지도학습 생성 모델(MRF 등)의 성능이 지도학습 모델에 비해 구름 분할 작업에서 어떻게 비교되는가?

주요 결과

• 모든 평가된 모델 중에서 마르코프 무작위 필드(MRFs)가 비지도학습 및 지도학습 설정 모두에서 가장 높은 성능을 기록한다.
• 원시형식으로 해결된 판별 모델는 높은 분할 정확도를 유지하면서도 계산 시간을 크게 단축시킨다.
• 정적 아티팩트를 제거하기 위한 전처리 기법은 모든 모델 유형과 설정에서 일관되게 성능 향상을 이룬다.
• 이웃 픽셀의 특징을 통합함으로써 일부 모델 구성에서 성능 향상이 이루어지며, 특히 생성 모델에서 두드러진다.
• 적절한 전처리가 적용된 경우 생성 모델(특히 MRFs)의 성능은 판별 모델과 유사해진다.
• j-통계량은 MRFs가 다른 모델보다 분할 정확도에서 뛰어나며, 이는 최고의 성능을 보이는 접근법임을 확인시킨다.