[논문 리뷰] Deep Convolutional Neural Networks for Map-Type Classification

Xiran Zhou, Wenwen Li외 2명|arXiv (Cornell University)|2018. 05. 26.

Remote-Sensing Image Classification인용 수 13

한 줄 요약

이 논문은 원시 지ap 이미지에서 엔드 투 엔드 특징 학습을 통해 토포그래픽, 토양, 물리적, 도시 풍경, 3D 지도를 포함한 일곱 가지 지도 유형을 자동으로 분류하기 위한 딥 컨volution 신경망(CNN) 접근법을 제안한다. 이 방법은 최신 기술 수준의 분류 정확도를 달성하며, 딥 러닝이 지도적 이해를 위한 지도의 전반적 특징을 효과적으로 포착할 수 있음을 보여주고 지리정보 인공지능(GeoAI)을 발전시킨다.

ABSTRACT

Maps are an important medium that enable people to comprehensively understand the configuration of cultural activities and natural elements over different times and places. Although massive maps are available in the digital era, how to effectively and accurately access the required map remains a challenge today. Previous works partially related to map-type classification mainly focused on map comparison and map matching at the local scale. The features derived from local map areas might be insufficient to characterize map content. To facilitate establishing an automatic approach for accessing the needed map, this paper reports our investigation into using deep learning techniques to recognize seven types of map, including topographic map, terrain map, physical map, urban scene map, the National Map, 3D map, nighttime map, orthophoto map, and land cover classification map. Experimental results show that the state-of-the-art deep convolutional neural networks can support automatic map-type classification. Additionally, the classification accuracy varies according to different map-types. We hope our work can contribute to the implementation of deep learning techniques in cartographical community and advance the progress of Geographical Artificial Intelligence (GeoAI).

연구 동기 및 목표

• 디지털 시대에 방대한 지도 자료가 존재하지만 검색이 어려운 문제를 해결하기 위해, 필요한 지도를 효율적으로 접근할 수 있도록 하는 것.
• 지난 연구에서 사용된 국소적 특징 기반의 지도 비교 및 매칭 방법의 한계를 극복하여 지도의 전반적 의미를 포착하지 못하는 문제를 해결하기 위해.
• 딥 러닝을 활용한 자동이며 데이터 기반의 다양한 지도 유형 분류 방법을 개발하기 위해.
• 기존의 전통적 지도 유형과 특수 지도 유형을 포함한 광범위한 지도 카테고리에서 딥 CNN의 성능을 평가하기 위해.
• 딥 러닝의 지도학계 통합을 기여하고 지리정보 인공지능(GeoAI) 분야의 발전을 촉진하기 위해.

제안 방법

• 수동으로 설계된 특징 없이 원시 지도 이미지에서 직접 계층적 공간적 특징을 학습하기 위해 딥 컨volution 신경망(CNN)을 활용한다.
• 자체 제작한 7종의 지도 유형 데이터셋에 대해 사전 학습된 모델(VGG, ResNet 등)을 사용한 전이 학습을 적용하고, 세밀 조정(fine-tuning)을 수행한다.
• 제한된 훈련 샘플에서 과적합을 방지하고 모델 일반화 능력을 향상시키기 위해 데이터 증강 기법을 적용한다.
• 입력 지도를 RGB 이미지로 처리하고, 최종 분류를 위해 글로벌 평균 풀링 및 완전 연결층을 사용한다.
• 크로스 엔트로피 손실과 학습률 스케줄링을 적용한 확률적 경사 하강법을 사용하여 네트워크를 훈련시킨다.
• 모델 성능을 평가하기 위해 정확도, 정밀도, 재현율, F1 점수와 같은 표준 지표를 모든 지도 유형에 대해 사용한다.

실험 결과

연구 질문

• RQ1 딥 컨volution 신경망은 시각적 외관만으로 다양한 지도 유형을 효과적으로 분류할 수 있는가?
• RQ2 딥 CNN의 성능은 다양한 지도 유형 간에 어떻게 달라지며, 특히 토양 지도와 토양 지도의 미세한 차이를 구분하는 데 어떻게 영향을 미치는가?
• RQ3 딥 네트워크가 학습한 전반적 특징이 국소적 특징 기반 접근법보다 지도 유형 분류에서 얼마나 더 우수한가?
• RQ4 일반적인 이미지 인식 모델에서의 전이 학습이 제한된 지도 전용 데이터셋에서의 분류 정확도를 향상시킬 수 있는가?
• RQ5 데이터 증강 및 모델 아키텍처 선택이 지도 유형 분류의 강건성과 일반화 능력에 어떤 영향을 미치는가?

주요 결과

• 제안된 딥 CNN 접근법은 일곱 가지 지도 유형에서 최신 기술 수준의 분류 정확도를 달성하며, 국소적 특징 기반 기존 방법을 능가한다.
• 분류 정확도는 지도 유형에 따라 크게 달라지며, 오р토사진 및 토양 커버 분류 지도에서 가장 높은 성능를 보였다.
• 특히 ImageNet 사전 학습된 네트워크에서 전이 학습을 통해 세밀 조정을 수행했을 때 강력한 일반화 능력을 보였다.
• 데이터 증강은 희귀하거나 외관이 뚜렷하지 않은 지도 유형에 특히 효과적으로 모델의 강건성을 향상시켰다.
• 딥 네트워크가 학습한 전반적 맥락적 특징이 국소적 특징보다 지도 유형 인식에 더 효과적임을 확인했다.
• 이 연구는 딥 러닝을 지도정보시스템에 통합하고 GeoAI 애플리케이션의 발전을 위한 기반을 마련했다.