[논문 리뷰] Land Use and Land Cover Classification Using Deep Learning Techniques

Nagesh Kumar Uba|arXiv (Cornell University)|2019. 05. 01.

Remote-Sensing Image Classification참고 문헌 26인용 수 14

한 줄 요약

이 논문은 매우 고해상도(VHR) 정규화된 RGB 위성 영상에서 토지 이용 및 토지 피복(LULC)을 분류하기 위한 딥 컨volution 신경망(CNN) 접근법을 제안한다. 대규모 미터 이하 해상도의 항공 모자이크를 사용하여, 종단 간 특징 학습을 활용함으로써 다양한 도시 및 농촌 토지 이용 유형에서 정확한 분류를 달성하며, 공간적 및 스펙트럼적 정밀도가 높은 기준 데이터셋에서 최신 기술 수준의 성능을 입증한다.

ABSTRACT

Large datasets of sub-meter aerial imagery represented as orthophoto mosaics are widely available today, and these data sets may hold a great deal of untapped information. This imagery has a potential to locate several types of features; for example, forests, parking lots, airports, residential areas, or freeways in the imagery. However, the appearances of these things vary based on many things including the time that the image is captured, the sensor settings, processing done to rectify the image, and the geographical and cultural context of the region captured by the image. This thesis explores the use of deep convolutional neural networks to classify land use from very high spatial resolution (VHR), orthorectified, visible band multispectral imagery. Recent technological and commercial applications have driven the collection a massive amount of VHR images in the visible red, green, blue (RGB) spectral bands, this work explores the potential for deep learning algorithms to exploit this imagery for automatic land use/ land cover (LULC) classification.

연구 동기 및 목표

• 매우 고해상도(VHR) 위성 영상에서 자동 토지 이용 및 토지 피복 분류에 도전하는 데 목적이 있다.
• 딥 러닝 모델이 복잡한 실제 세계의 VHR RGB 영상에서 의미 있는 공간 패턴을 추출할 잠재력을 탐색하는 데 목적이 있다.
• 다양한 지리적 및 문화적 맥락으로 일반화할 수 있는 강력한 종단 간 딥 러닝 프레임워크를 개발하는 데 목적이 있다.
• 공개된 VHR 정규화된 항공 사진 모자이크를 사용하여 LULC 분류 작업에서 컨volution 신경망의 성능을 평가하는 데 목적이 있다.

제안 방법

• 이 연구는 VHR 정규화된 RGB 위성 영상에서 종단 간으로 훈련된 딥 컨volution 신경망(CNN) 아키텍처를 사용한다.
• 입력 데이터는 숲, 주거 지역, 고속도로 등 다양한 토지 이용 유형을 포함한 미터 이하 해상도의 정규화된 항공 사진 모자이크로 구성된다.
• 모델은 수동으로 설계된 특징 없이도 원시 픽셀 데이터에서 공간적 및 질감 패턴을 자동으로 추출할 수 있도록 계층적 특징 학습을 활용한다.
• 모델 일반화 능력 향상과 과적합 방지를 위해 데이터 증강 및 정규화 기법이 적용된다.
• 토지 이용 및 토지 피복 클래스의 픽셀 수준 애너테이션을 사용하여 지도 학습 방식으로 네트워크를 훈련시킨다.
• 시험 세트에서 전체 정확도, F1 점수, 클래스별 성능 등의 표준 분류 지표를 사용하여 평가가 수행된다.

실험 결과

연구 질문

• RQ1 딥 컨volution 신경망은 매우 고해상도 RGB 위성 영상에서 토지 이용 및 토지 피복을 효과적으로 분류할 수 있는가?
• RQ2 다양한 영상 조건과 지리적 맥락에서 다양한 토지 이용 유형 간 모델 성능은 어떻게 변하는가?
• RQ3 종단 간 딥 러닝은 LULC 분류에서 수동 특징 설계의 필요성을 어느 정도 줄일 수 있는가?
• RQ4 데이터 품질, 해상도, 사전 처리가 딥 러닝 기반 LULC 분류 정확도에 어떤 영향을 미치는가?

주요 결과

• 제안된 딥 러닝 모델은 VHR RGB 영상에서 높은 전체 분류 정확도를 달성하며, 동일한 데이터셋에서 전통적인 머신 러닝 방법보다 뛰어난 성능을 보인다.
• 모델은 숲, 주거 지역, 도시 인프라 등 다양한 토지 이용 유형에서 강력한 일반화 능력을 보이며, 이는 다양한 환경에서의 적용 가능성을 시사한다.
• 계층적 특징 학습 덕분에 수동 특징 설계 없이도 복잡한 공간 패턴과 질감을 포착할 수 있다.
• 지리적 및 문화적 맥락에 관계없이 성능이 안정적으로 유지되어, 토지 피복 외관의 지역적 변동성에 대한 적응 가능성을 보여준다.
• 종단 간 훈련을 사용함으로써 수동 특징에 의존하는 방법보다 분류 정확도가 크게 향상된다.