[논문 리뷰] Large-scale Land Cover Classification in GaoFen-2 Satellite Imagery

Xinyi Tong, Qikai Lu외 2명|arXiv (Cornell University)|2018. 06. 04.

Remote-Sensing Image Classification인용 수 4

한 줄 요약

이 논문은 대규모 고분-2 위성 영상에서 다중 척도 패치 분류, 계층적 분할, 다중 척도 특징 융합을 결합한 딥러닝 기반 토양 피복 분류 방법을 제안한다. 다양한 지리적 및 시기적 조건을 포함하는 150장의 GF-2 영상으로 구성된 새로운 대규모 데이터셋에서 최신 기술 수준의 정확도(OA: 95.71%, Kappa: 0.9129)를 달성한다.

ABSTRACT

Many significant applications need land cover information of remote sensing images that are acquired from different areas and times, such as change detection and disaster monitoring. However, it is difficult to find a generic land cover classification scheme for different remote sensing images due to the spectral shift caused by diverse acquisition condition. In this paper, we develop a novel land cover classification method that can deal with large-scale data captured from widely distributed areas and different times. Additionally, we establish a large-scale land cover classification dataset consisting of 150 Gaofen-2 imageries as data support for model training and performance evaluation. Our experiments achieve outstanding classification accuracy compared with traditional methods.

연구 동기 및 목표

• 다양한 원격 감시 영상 간의 스펙트럼적 및 공간적 변동성으로 인한 토양 피복 분류의 낮은 일반화 성능 문제를 해결한다.
• 재학습이나 수동 조정 없이 다양한 수집 조건(시간, 위치, welluminance)에 일반화되는 강건한 분류 방법을 개발한다.
• 고해상도 원격 감시에서 딥러닝 모델의 훈련 및 평가를 지원하기 위해 대규모, 다양한 종류의, 공개 가능한 토양 피복 데이터셋(GID)을 구축한다.
• 패치 기반 딥러닝과 함께 다중 척도 공간적 맥락 및 분할 기반 객체 수준의 특징을 통합하여 분류 정확도를 향상시킨다.

제안 방법

• 고분-2 영상에서 추출한 다양한 척도(56×56, 112×112, 224×224 픽셀)의 이미지 패치에 대해 미리 훈련된 ResNet-50 모델을 미세조정한다.
• 동질적인 영상 객체를 생성하기 위해 계층적 분할을 적용하고, 이를 CNN 분류 결과와 투표 전략을 통해 융합한다.
• 다양한 패치 척도의 분류 확률을 집계하여 다중 척도 특징 융합을 구현함으로써 공간적 맥락과 강건성을 향상시킨다.
• 딥 모델의 일관된 입력을 확보하기 위해 GF-2 데이터를 사전 처리하여 근적외선 대역을 제거하고 가시광선 대역을 8비트로 재정량화한다.
• 분할 맵과 패치 기반 분류 출력을 융합하기 위해 투표 기반 메커니즘을 사용하여 경계 정확도와 객체 일관성을 향상시킨다.
• 120장의 훈련 영상에서 클래스당 30,000개의 점을 사용한 균형 잡힌 샘플링 전략을 적용하여 모델을 훈련하고, 30장의 새로운 영상에서 평가한다.

실험 결과

연구 질문

• RQ1 재학습 없이도 고해상도 원격 감시 영상에서 다양한 수집 조건(시간, 위치, 조명)에 일반화되는 딥러닝 기반 분류 방법은 가능한가?
• RQ2 단일 척도 접근 방식과 비교할 때 다중 척도 패치 분류가 토양 피복 분류 정확도를 어떻게 향상시키는가?
• RQ3 분할 기반 객체 특징과 딥러닝 예측을 융합함으로써 분류 성능이 얼마나 향상되는가?
• RQ4 대규모, 다양한 종류의, 공개 가능한 데이터셋(GID)이 최신 기술 수준의 토양 피복 분류 모델의 훈련 및 평가를 지원할 수 있는가?
• RQ5 제안된 방법은 전통적 방법(SVM, RF와 수작업 특징) 및 상용 소프트웨어(eCognition)와 비교해 어떻게 정량적으로 성능이 뛰어나게 되는가?

주요 결과

• 제안된 다중 척도 딥러닝 방법은 전체 정확도(OA) 95.71%와 카파 계수 0.9129를 달성하여 기존의 전통적 방법을 크게 능가한다.
• 단일 척도 패치 분류(56×56)는 단일 척도 설정 중에서 가장 높은 정확도(OA: 94.94%)를 기록하지만, 다중 척도 융합이 성능을 추가로 향상시킨다.
• 다중 척도 예측 융합은 더 넓은 공간적 맥락을 통합함으로써 정확도를 높이고 국소적 노이즈 및 변동성에 대한 민감도를 감소시킨다.
• eCognition(OA: 74.87%) 및 수작업 특징을 사용한 SVM/RF(OA: 77.69%–84.75%)와 같은 기준 방법과 비교해 제안된 방법은 훨씬 높은 정확도를 달성한다.
• 70,000 km² 이상을 커버하는 GID 데이터셋은 높은 내부 클래스 다양성과 낮은 간섭 클래스 혼동을 지녀 강건한 모델 일반화 및 평가를 가능하게 한다.
• 딥러닝 특징, 분할, 다중 척도 융합의 조합은 특히 목초지 및 산림과 같은 복잡한 클래스에서 분류 성능을 크게 향상시킨다.