[논문 리뷰] Crater Detection via Convolutional Neural Networks

Joseph Cohen, Henry Z. Lo외 2명|arXiv (Cornell University)|2016. 03. 01.

Advanced Neural Network Applications참고 문헌 4인용 수 3

한 줄 요약

이 논문은 행성 위성 영상에서 자동으로 크레이터를 탐지하기 위한 컨volution 신경망(CNN) 기반 방법을 제안하며, 수작업으로 설계된 특징 추출의 한계를 극복하고 훈련 데이터로부터 종단 간 최적의 필터를 직접 학습한다. 이 방법은 복잡한 표면 침식과 낮은 대비성으로 인해 어려운 상황에서도 뛰어난 정확도를 보이며, 기준 데이터셋인 Bandeira에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Joseph Paul Cohen, Henry Z. Lo, Tingting Lu, and Wei Ding at the University of Massachusetts Boston ({joecohen, henryzlo, ding}@cs.umb.edu, [e-mail]) Introduction Craters are among the most studied geomorphic features in the Solar System because they yield important information about the past and present geological processes and provide information about the relative ages of observed geologic formations. We present a method for automatic crater detection using advanced machine learning to deal with the large amount of satellite imagery collected. The challenge of automatically detecting craters comes from their is complex surface because their shape erodes over time to blend into the surface. Bandeira [1] provided a seminal dataset that embodied this challenge that is still an unsolved pattern recognition problem to this day. There has been work to solve this challenge based on extracting shape [2] and contrast [1, 3] features and then applying classification models on those features. The limiting factor in this existing work is the use of hand crafted filters on the image such as Gabor or Sobel filters or Haar features. These hand crafted methods rely on domain knowledge to construct. We would like to learn the optimal filters and features based on training examples. In order to dynamically learn filters and features we look to Convolutional Neural Networks (CNNs) which have shown their dominance in computer vision [4]. The power of CNNs is that they can learn image filters which generate features for high accuracy classification. CNNs are organized as a computation graph where the input image has computations performed on it and produce an output, then this output has computations performed on it, and this is repeated until an output layer which contains a prediction. There are many components to these networks but the most significant part to discuss is the convolutional layer and the fully connected layer. First we talk about a convolutional layer because this is the interface between the input image and the network. In Figure 1 the process of a convolutional layer is shown. A sliding window is ran across the input image with a convolution applied at each position. Each pixel is multiplied by the corresponding filter value and summed together which results in a single value. A picture is formed from the results of these convolutions. This design is important because spatial information is maintained to be used later in the network. In this example the filter values appear to be a sobel filter however the filters learned will be much different. During the learning process the values of the filters will be altered to minimize classification error of the entire network. Next we talk about a fully connected layer. These 66 104 100

연구 동기 및 목표

• 표면 침식과 낮은 대비성으로 인해 탐지가 어려운 행성 위성 영상에서 크레이터를 탐지하는 과제를 해결한다. 이는 행성 지질학적 역사 이해에 핵심적이지만, 기존 방법으로는 어려운 과제이다.
• Gabor, Sobel, 또는 Haar 특징과 같은 수작업으로 설계된 필터에 의존하는 기존 방법의 한계를 극복한다. 이러한 방법들은 도메인 전문 지식이 필요하며 일반화 능력이 떨어질 수 있다.
• 훈련 데이터로부터 최적의 이미지 필터와 특징을 자동으로 학습하는 종단 간 학습 프레임워크를 개발한다.
• CNN의 계층적 특징 학습 능력을 활용하여 정확도를 향상시킨다. 이는 컨volution 레이어를 통해 공간 정보를 유지하고, 완전 연결 레이어를 통해 고차원 특징을 집계하여 최종 예측 결과를 도출한다.

제안 방법

• 입력 위성 영상에 대해 학습 가능한 필터를 적용하는 다중 컨볼루션 레이어를 갖춘 컨volution 신경망(CNN) 아키텍처를 사용하며, 공간적 관계를 유지한다.
• 입력 영상 전역에 걸쳐 슬라이딩 윈도우 메커니즘을 적용하여, 각 픽셀을 필터 가중치와 곱하고 합산하여 특징 맵을 생성한다.
• 역전파 동안 필터 가중치를 동적으로 업데이트하여 분류 오차를 최소화함으로써, 크레이터 탐지에 최적화된 특징을 학습할 수 있도록 한다.
• 컨볼루션 레이어 이후에 완전 연결 레이어를 통합하여 고차원 특징을 집계하고, 크레이터 존재 여부에 대한 최종 예측 출력을 생성한다.
• Bandeira 데이터셋을 사용하여 지도 학습 방식으로 네트워크를 훈련한다. 이 데이터셋은 탐지된 크레이터와 비크레이터를 포함하여 종단 간 최적화를 안내한다.
• 표준 CNN 구성 요소인 활성화 함수와 풀링(표준 관행에 따라 암시됨)을 활용하여 특징 표현력과 일반화 능력을 향상시킨다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반의 CNN 접근 방식이 행성 영상에서 수작업으로 설계된 필터에 의존하는 기존 방법보다 크레이터 탐지 성능을 뛰어나게 할 수 있는가?
• RQ2 고정된 필터(예: Sobel 또는 Gabor)를 사용하는 방법과 비교해 볼 때, 데이터로부터 종단 간으로 필터를 학습하는 방식이 탐지 정확도 향상에 얼마나 기여하는가?
• RQ3 침식되거나 대비가 낮은 크레이터를 탐지하는 데 있어 CNN은 기존 패턴 인식 기법이 어려운 상황에서도 얼마나 잘 일반화되는가?
• RQ4 CNN의 계층적 특징 학습이 다양한 행성 표면에서 크레이터의 복잡한 형태학적 패턴을 효과적으로 포착할 수 있는가?

주요 결과

• 제안된 CNN 기반 방법은 Bandeira 크레이터 탐지 기준 데이터셋에서 최신 기술 수준의 성능을 달성하며, 이전의 수작업 특징에 의존하는 방법들을 능가한다.
• 데이터로부터 종단 간으로 필터를 학습함으로써, 도메인 전문 지식이 필요한 수작업 필터 설계 없이도 관련 특징을 자동으로 발견할 수 있다.
• 컨볼루션 레이어를 통해 공간 정보를 유지함으로써, 부분적으로 침식된 크레이터라도 정확한 국소화와 분류가 가능하다.
• 결과적으로, CNN과 같은 딥 러닝 모델이 행성 과학에서 이미지 복잡성으로 인해 기존 방법이 실패하는 경우에도 복잡한 지형 특징 탐지에 매우 효과적이라는 것이 입증되었다.