[논문 리뷰] Counting Cows: Tracking Illegal Cattle Ranching From High-Resolution Satellite Imagery

Issam Laradji, Pau Rodríguez외 5명|arXiv (Cornell University)|2020. 11. 14.

Video Surveillance and Tracking Methods참고 문헌 32인용 수 18

한 줄 요약

이 논문은 아마존 전역의 고해상도 위성 영상(0.31 m)에서 소를 감지하고 세는 데 위한 딥러닝 기반 접근법을 제안한다. CSRNet과 LCFCN 모델을 활용하여 불법 소목장 활동의 대규모 모니터링을 가능하게 한다. 결과적으로 CSRNet은 밀집 지역에서 LCFCN을 능가하며 낮은 MAPE 및 GAMPE를 기록하여 상용 위성 데이터를 활용한 자동화되고 확장 가능한 불법 토지 이용 추적의 가능성을 입증한다.

ABSTRACT

Cattle farming is responsible for 8.8\% of greenhouse gas emissions worldwide. In addition to the methane emitted due to their digestive process, the growing need for grazing areas is an important driver of deforestation. While some regulations are in place for preserving the Amazon against deforestation, these are being flouted in various ways, hence the need to scale and automate the monitoring of cattle ranching activities. Through a partnership with extit{Global Witness}, we explore the feasibility of tracking and counting cattle at the continental scale from satellite imagery. With a license from Maxar Technologies, we obtained satellite imagery of the Amazon at 40cm resolution, and compiled a dataset of 903 images containing a total of 28498 cattle. Our experiments show promising results and highlight important directions for the next steps on both counting algorithms and the data collection process for solving such challenges. The code is available at \url{https://github.com/IssamLaradji/cownter_strike}.

연구 동기 및 목표

• 고해상도 위성 영상에서 소를 자동으로 감지하고 세는 방법을 개발하여 아마존 지역의 불법 목장 활동을 모니터링하는 데 목적이 있다.
• 특히 CSRNet과 LCFCN 모델을 활용한 딥러닝 모델의 성능을 평가하여 대륙 규모에서 소 수를 세고 위치를 파악하는 데에 활용한다.
• 상용 0.31 m 이하 해상도의 위성 영상(0.31 m)이 대규모 환경 모니터링에 활용 가능한지의 가능성을 평가한다.
• 기존 접근법의 한계를 파악하고, 다중시기 영상 및 향상된 애너테이션 전략을 통해 개선 방안을 제안한다.

제안 방법

• Maxar의 WorldView3를 통해 작업 기반 스케줄링 방식으로 확보한 903장의 고해상도 위성 영상(0.31 m 흑백, 1.24 m 다중스펙트럼)을 활용하였다.
• 학습 및 평가를 위해 소 28,498头를 포함하는 점 기반 애너테이션 데이터셋을 구축하였다.
• ImageNet에서 미리 훈련된 VGG16-FCN8 백본을 사용하여 CSRNet(밀도 기반) 및 LCFCN(감지 기반) 모델을 훈련시켰다.
• LCFCN에서는 객체당 단일 블롭 출력을 유도하는 감지 기반 손실 함수를 적용하여 국소화 정확도와 크기 변화에 대한 강건성을 향상시켰다.
• 평가 지표로 MAPE와 GAMPE를 사용하였으며, GAMPE는 영상을 격자로 분할하여 허위 상관관계를 보다 엄격히 처벌하도록 설계되었다.
• 조기 정지와 ADAM 최적화를 적용하였으며, 고정된 초기 학습률 10⁻⁴를 100 에포크 동안 사용하였다.

실험 결과

연구 질문

• RQ1 고해상도 위성 영상(0.31 m)은 대륙 규모에서 소의 정확한 감지 및 세는 데에 적합한가?
• RQ2 밀도 기반(CSRNet)과 감지 기반(LCFCN) 딥러닝 모델 간의 소 수 세기 성능은 다양한 소 밀도 조건에서 어떻게 비교되는가?
• RQ3 ImageNet에서 미리 훈련된 모델이 원거리 감지 응용 분야에서 소 수 세기 작업의 일반화 능력을 얼마나 향상시키는가?
• RQ4 다중시기 위성 재방문을 통해 소와 유사한 정적 물체(예: 바위, 덤불)를 구분하는 데에 얼마나 기여하는가?

주요 결과

• CSRNet은 특히 밀집 지역(1장당 100头 이상)에서 세기 및 국소화 성능 면에서 LCFCN을 뛰어넘었으며, 더 낮은 MAPE 및 GAMPE를 기록하였다.
• 소가 존재하지 않는 영역(0두)에서는 LCFCN이 CSRNet보다 우수한 성능을 보였으며, F-score는 0.676을 기록한 반면 CSRNet은 0.571을 기록하였다.
• ImageNet에서 미리 훈련된 LCFCN이 미리 훈련되지 않은 버전보다 성능이 뛰어나지 않아 전이 학습의 유용성을 확인하였다.
• CSRNet과 LCFCN의 하이브리드 활용은 유망한 방향으로, CSRNet은 밀집 지역에서의 세기 성능이 뛰어나고 LCFCN은 이진 존재/부재 감지에서 유리하다.
• 다중시기 영상은 레이블 품질 향상과 바위, 덤불과 같은 가짜 양성 결과를 구분하는 데 핵심적인 역할을 한다.
• 이 연구는 상용 0.31 m 위성 센서가 신뢰할 수 있는 소 수 세기 작업을 수행할 수 있음을 확인하였으며, 이는 대규모 환경 모니터링을 가능하게 한다.