[논문 리뷰] Grayscale Based Algorithm for Remote Sensing with Deep Learning.

Sai Ganesh Cs, Aouthithiye Barathwaj S. R. Y외 1명|arXiv (Cornell University)|2021. 10. 16.

Advanced Image Fusion Techniques참고 문헌 21인용 수 4

한 줄 요약

이 논문은 레이일리 산란과 같은 대기 중 빛 왜곡 효과를 완화함으로써 위성 영상에서의 목표물 탐지 성능을 햖스키기 위해 회색조 기반 YOLOv3 알고리즘을 제안한다. 추론 이전에 RGB 영상을 회색조로 변환함으로써 기존 표준 YOLOv3에 비해 정확도와 강인성을 향상시킨다. 특히 어려운 대기 조건에서 뛰어난 성능을 보인다.

ABSTRACT

Remote sensing is the image acquisition of a target without having physical contact with it. Nowadays remote sensing data is widely preferred due to its reduced image acquisition period. The remote sensing of ground targets is more challenging because of the various factors that affect the propagation of light through different mediums from a satellite acquisition. Several Convolutional Neural Network-based algorithms are being implemented in the field of remote sensing. Supervised learning is a machine learning technique where the data is labelled according to their classes prior to the training. In order to detect and classify the targets more accurately, YOLOv3, an algorithm based on bounding and anchor boxes is adopted. In order to handle the various effects of light travelling through the atmosphere, Grayscale based YOLOv3 configuration is introduced. For better prediction and for solving the Rayleigh scattering effect, RGB based grayscale algorithms are proposed. The acquired images are analysed and trained with the grayscale based YOLO3 algorithm for target detection. The results show that the grayscale-based method can sense the target more accurately and effectively than the traditional YOLOv3 approach.

연구 동기 및 목표

• 위성 기반 원격 감지에서 대기 중 빛 왜곡, 특히 레일리 산란 효과에 대비하는 과제를 해결한다.
• RGB 색상 채널에서 유발되는 노이즈와 복잡성을 줄임으로써 원격 감지에서의 목표물 탐지 정확도를 향상시킨다.
• 회색조 전처리를 통해 YOLOv3의 원격 감지 응용 분야에서의 성능을 향상시킨다.
• 다양한 대기 조건에서의 일반화 능력과 탐지 강인성 향상에 있어 회색조 변환의 효과를 평가한다.

제안 방법

• 효율성과 앵커 박스 기반 바운딩 박스 예측 방식을 고려해 YOLOv3를 기반 객체 탐지 프레임워크로 채택한다.
• 모델 추론 이전에 입력 RGB 원격 감지 영상을 회색조로 변환하여 스펙트럼 복잡성과 노이즈를 감소시킨다.
• 대기 산란, 특히 레일리 산란이 영상 품질에 미치는 영향을 완화하기 위해 회색조 변환을 적용한다.
• 분류 및 위치 지정을 위한 사전 레이블링된 목표물 데이터를 사용하여 지도 학습 방식으로 회색조 기반 YOLOv3 모델을 훈련시킨다.
• YOLOv3에서 앵커 박스와 피처 피라미드 네트워크를 활용하여 원격 감지 영상에서 다중 해상도의 객체를 탐지한다.
• 위성 영상을 회색조 YOLOv3 파이프라인을 거쳐 지상 목표물의 바운딩 박스와 클래스 레이블을 예측한다.

실험 결과

연구 질문

• RQ1 회색조 전처리는 대기 중 빛 왜곡에 영향을 받는 원격 감지 영상에서의 객체 탐지 정확도를 향상시킬 수 있는가?
• RQ2 다양한 대기 조건에서 회색조 기반 YOLOv3 모델은 표준 YOLOv3에 비해 지상 목표물 탐지 성능에서 어떻게 다를까?
• RQ3 회색조 변환은 원격 감지 영상 품질에 레일리 산란의 영향을 어느 정도 감소시키는가?
• RQ4 회색조 영상 사용이 원격 감지 응용 분야에서 모델의 강인성과 일반화 능력을 향상시키는가?

주요 결과

• 회색조 기반 YOLOv3 방법은 표준 YOLOv3에 비해 원격 감지 시나리오에서 더 높은 탐지 정확도를 달성한다.
• 회색조 전처리는 특히 레일리 산란에 의한 대기 산란 영향을 영상 선명도에 미치는 영향을 효과적으로 줄인다.
• 감소된 스펙트럼 노이즈 덕분에 다양한 대기 조건에서도 지상 목표물 탐지에 대해 향상된 강인성을 보인다.
• 회색조 영상 사용은 목표물 탐지에 핵심적인 구조적 및 질감적 특징에 주목할 수 있는 모델 능력을 향상시킨다.
• 결과적으로, 원격 감지 응용 분야에서 회색조 변환이 더 효과적인 특징 학습을 이끌어낸다는 것이 확인된다.
• 제안된 방법은 대기 간섭이 있는 위성 영상 탐지 작업에서 기존 YOLOv3를 초월한다.