[논문 리뷰] Land Cover Change Detection via Semantic Segmentation

Renee Su, Rong Chen|arXiv (Cornell University)|2019. 11. 28.

Remote-Sensing Image Classification참고 문헌 6인용 수 8

한 줄 요약

이 논문은 Google Earth에서 확보한 다중 시점 항공 영상 분석을 위해 DeepLab v3+를 활용한 의미적 세그멘테이션을 사용하는 토지 피복 변화 탐지 시스템을 제안한다. 이는 DeepGlobe 챌린지에서 이전 최고 성능(0.433)에 비해 뚜렷한 향상된 평균 교차율(μIoU) 0.756을 달성하여 산림 파괴 모니터링 및 도시 계획과 같은 정확한 응용 가능성을 제공한다.

ABSTRACT

This paper presents a change detection method that identifies land cover changes from aerial imagery, using semantic segmentation, a machine learning approach. We present a land cover classification training pipeline with Deeplab v3+, state-of-the-art semantic segmentation technology, including data preparation, model training for seven land cover types, and model exporting modules. In the land cover change detection system, the inputs are images retrieved from Google Earth at the same location but from different times. The system then predicts semantic segmentation results on these images using the trained model and calculates the land cover class percentage for each input image. We see an improvement in the accuracy of the land cover semantic segmentation model, with a mean IoU of 0.756 compared to 0.433, as reported in the DeepGlobe land cover classification challenge. The land cover change detection system that leverages the state-of-the-art semantic segmentation technology is proposed and can be used for deforestation analysis, land management, and urban planning.

연구 동기 및 목표

• 딥 러닝을 활용해 항공 영상에서 토지 피복 변화를 탐지하는 과제를 해결한다.
• 특히 복잡한 도시 및 농촌 환경에서의 토지 피복 분류 정확도 향상을 위해 기존 방법을 개선한다.
• 토지 피복 데이터에 대해 의미적 세그멘테이션 모델을 훈련하고 배포하기 위한 확장 가능한 파이프라인을 개발한다.
• 자동화된 변화 탐지 기반으로 산림 파괴 분석, 토지 관리 및 도시 계획과 같은 실용적 응용을 가능하게 한다.
• 다중 시점 Google Earth 영상을 활용해 토지 피복 유형의 시간적 변화를 탐지한다.

제안 방법

• 피그먼트 수준의 토지 피복 분류를 위해 최신 기술인 DeepLab v3+를 사용한다.
• Google Earth에서 확보한 다중 시점 항공 영상의 수집 및 전처리를 통해 훈련 데이터를 준비한다.
• 레이블이 주어진 데이터를 사용해 감독 학습 방식으로 일곱 가지 정의된 토지 피복 유형에 대해 모델을 훈련시킨다.
• 다른 시간대의 새로운 영상 쌍에 대해 추론를 위한 훈련된 모델을 내보낸다.
• 모델 예측 결과를 바탕으로 각 이미지의 토지 피복 유형 비율을 계산하여 시간에 따른 변화를 정량화한다.
• 동일한 위치이지만 다른 일자에 촬영된 영상 쌍을 입력으로 하여 클래스별 세그멘테이션 차이를 통해 변화를 탐지한다.

실험 결과

연구 질문

• RQ1 DeepLab v3+를 활용한 의미적 세그멘테이션은 다중 시점 항공 영상에서 토지 피복 변화를 효과적으로 탐지할 수 있는가?
• RQ2 DeepGlobe 벤치마크에서 제안된 방법은 이전 최고 성능 방법에 비해 정확도에서 어떻게 비교되는가?
• RQ3 모델은 다양한 토지 피복 유형과 지리적 지역에 대해 얼마나 잘 일반화되는가?
• RQ4 클래스별 비율 분석을 통해 토지 피복 변화를 얼마나 효과적으로 정량화할 수 있는가?
• RQ5 산림 파괴 모니터링 및 도시 계획과 같은 실세계 응용에 대해 이 파이프라인이 신뢰성 있게 구현 가능한가?

주요 결과

• 제안된 의미적 세그멘테이션 모델은 DeepGlobe 챌린지에서 이전 최고 성능인 0.433에 비해 뚜렷한 향상된 평균 교차율(μIoU) 0.756을 달성했다.
• 동일한 훈련된 모델을 사용해 두 시점의 의미적 세그멘테이션 출력을 비교함으로써 시스템이 토지 피복 변화를 성공적으로 탐지했다.
• 모델은 도시, 식생, 황무지 등 일곱 가지 토지 피복 유형에 대해 강력한 일반화 능력을 보였다.
• 자동화되고 확장 가능한 변화 탐지 파이프라인은 대규모 환경 모니터링에 적합하다.
• 정량적 클래스 비율 변화를 통해 산림 파괴 추적 및 도시 개발 분석과 같은 실용적 응용을 지원한다.
• Google Earth 영상을 활용함으로써 고해상도이며 글로벌하게 이용 가능한 데이터를 확보해 일관된 변화 탐지가 가능하다.