[논문 리뷰] Detecting Damaged Buildings on Post-Hurricane Satellite Imagery Based on Customized Convolutional Neural Networks

Quoc Dung Cao, Youngjun Choe|arXiv (Cornell University)|2018. 12. 13.

Remote-Sensing Image Classification참고 문헌 12인용 수 19

한 줄 요약

이 논문은 허리케인 후 위성 영상에서 손상된 건물을 감지하기 위해 맞춤형 합성곱 신경망(CNN)을 제안한다. 건물 외곽선의 추출된 항공 영상 창문을 사용하여 분류한다. 2017년 허리케인 하비에서 평가된 결과, 수동 평가에 비해 효율성과 정확도가 향상되어 위성 데이터를 활용한 자동 손상 감지의 가능성을 입증한다.

ABSTRACT

After a hurricane, damage assessment is critical to emergency managers and first responders so that resources can be planned and allocated appropriately. One way to gauge the damage extent is to detect and quantify the number of damaged buildings, which is traditionally done through driving around the affected area. This process can be labor intensive and time-consuming. In this paper, utilizing the availability and readiness of satellite imagery, we propose to improve the efficiency and accuracy of damage detection via image classification algorithms. From the building coordinates, we extract their aerial-view windows of appropriate size and classify whether a building is damaged or not. We demonstrate the result of our method in the case study of 2017 Hurricane Harvey.

연구 동기 및 목표

• 기존의 허리케인 후 건물 손상 평가 방식이 시간과 노동력 소모가 크다는 문제를 해결하기 위해.
• 즉시 이용 가능한 위성 영상을 활용하여 더 빠르고 확장 가능한 손상 감지 방법을 제공하기 위해.
• 건물 수준의 항공 영상 창문에서 손상 유형을 분류하기 위해 특화된 합성곱 신경망을 개발하기 위해.
• 2017년 허리케인 하비의 실제 사례 연구에서 방법의 성능을 평가하기 위해.

제안 방법

• 건물 좌표를 사용하여 위성 영상에서 고정 크기의 항공 시점 영상 창문을 추출한다.
• 각 추출된 창문은 손상 여부를 이진 분류하는 데 사용되는 맞춤형 합성곱 신경망에 입력된다.
• 모델는 허리케인 후 위성 데이터에서 유도된 레이블이 부여된 건물 영상 데이터셋을 기반으로 훈련된다.
• 건물 수준의 영상에서 흔히 나타나는 소규모 손상 패atters를 고려하여 모델 아키텍처를 최적화한다.
• 입력 데이터 표준화 및 모델 일반화 능력 향상을 위해 영상 전처리 기법을 적용한다.
• 지상 기반 진술 데이터가 건물 외곽선 이외에는 필요 없이도 자동으로 대규모 손상 평가가 가능하도록 한다.

실험 결과

연구 질문

• RQ1 맞춤형 CNN이 위성 영상에서 유도된 영상 창문을 통해 건물 손상을 효과적으로 분류할 수 있는가?
• RQ2 제안된 방법은 수동 손상 평가에 비해 정확도와 효율성에서 어떻게 비교되는가?
• RQ3 자동 감지 기술이 허리케인 후 재해 관리에서 대응 시간을 얼마나 줄일 수 있는가?
• RQ4 모델은 다양한 건물 유형과 폭풍 손상 패턴에 대해 얼마나 잘 일반화되는가?

주요 결과

• 제안된 방법은 허리케인 하비 후 위성 영상에서 손상된 건물을 수동 점검보다 더 높은 효율성으로 성공적으로 감지한다.
• CNN 모델은 동일한 데이터셋에서 기준 방법에 비해 유의미하게 높은 분류 정확도를 달 đạt한다.
• 건물 외곽선 중심의 영상 창문 사용이 국소화 및 탐지 정밀도를 향상시킨다.
• 광범위한 현장 조사가 필요 없이 대규모 손상 평가를 신속하게 수행할 수 있다.
• 사례 연구에서 다양한 건물 기하학적 형태와 폭풍 손상 패턴에 대해 모델이 뛰어난 강건성을 보였다.
• 결과적으로 위성 영상과 딥 러닝을 활용한 대규모 재해 대응 계획의 실현 가능성을 확인한다.