[논문 리뷰] Using Convolutional Neural Networks to Count Palm Trees in Satellite Images

Eu Koon Cheang, Teik Koon Cheang외 1명|arXiv (Cornell University)|2017. 01. 23.

Remote Sensing and LiDAR Applications참고 문헌 5인용 수 21

한 줄 요약

이 논문은 고해상도 위성 영상(40 cm에서 1.5 m/픽셀)에서 팔메르 나무의 수를 세고 국소화하기 위한 컨volutional 신경망(CNN) 기반 시스템을 제안한다. 500장의 크롭된 40×40 픽셀 영상으로 훈련된 CNN 분류기에서 유도된 신뢰도 맵에 슬라이딩 윈도우 방식을 적용한 후 스무딩 및 비최대값 제거를 거친 후, 소규모 훈련 데이터셋에도 불구하고 나무 수 계산 정확도가 99% 이상을 달성한다.

ABSTRACT

In this paper we propose a supervised learning system for counting and localizing palm trees in high-resolution, panchromatic satellite imagery (40cm/pixel to 1.5m/pixel). A convolutional neural network classifier trained on a set of palm and no-palm images is applied across a satellite image scene in a sliding window fashion. The resultant confidence map is smoothed with a uniform filter. A non-maximal suppression is applied onto the smoothed confidence map to obtain peaks. Trained with a small dataset of 500 images of size 40x40 cropped from satellite images, the system manages to achieve a tree count accuracy of over 99%.

연구 동기 및 목표

• 고해상도 위성 영상에서 팔메르 나무를 자동으로 세는 확장 가능한 시스템을 개발하기 위해.
• 복잡한 고해상도 영상에서 개별 팔메르 나무를 탐지하고 국소화하는 과제를 해결하기 위해.
• 소규모 훈련 데이터셋을 사용하여 높은 정확도의 나무 수 계산을 달성하기 위해.
• 실제 위성 영상에서 다양한 공간 해상도를 가진 환경에서 CNN 기반 접근법의 성능을 평가하기 위해.

제안 방법

• 500장의 크롭된 40×40 픽셀 영상로 구성된 데이터셋을 사용하여, 팔메르 나무가 포함되어 있는지 여부를 분류하기 위해 컨volutional 신경망(CNN)을 훈련한다.
• 훈련된 CNN을 전체 위성 영상에 걸쳐 슬라이딩 윈도우 방식으로 적용하여 신뢰도 맵을 생성한다.
• 신뢰도 맵을 균일 필터를 사용하여 스무딩하여 노이즈를 감소시키고 피크 탐지 성능을 향상시킨다.
• 스무딩된 맵에 비최대값 제거를 적용하여 국소 최대값을 식별하고, 이는 탐지된 팔메르 나무 위치에 해당한다.
• 최종 나무 수는 신뢰도 맵 내에서 탐지된 피크의 수로부터 유도된다.
• 시스템은 40 cm에서 1.5 m/픽셀의 공간 해상도를 가진 위성 영상에서 평가된다.

실험 결과

연구 질문

• RQ1 소규모 훈련 데이터셋을 사용하여 CNN 기반 접근법이 높은 정확도로 팔메르 나무를 세는 데 성공할 수 있는가?
• RQ2 슬라이딩 윈도우 및 피크 탐지 파이프라인은 고해상도 위성 영상에서 개별 팔메르 나무를 국소화하는 데 얼마나 효과적인가?
• RQ3 이미지 해상도는 탐지 시스템의 성능에 어떤 영향을 미치는가?
• RQ4 이 방법은 위성 영상의 다양한 공간 해상도 간에 일반화 가능한가?

주요 결과

• 소규모 훈련 데이터셋(500장)으로 훈련된 시스템은 테스트 데이터셋에서 나무 수 계산 정확도가 99%를 초과한다.
• 이 방법은 40 cm에서 1.5 m/픽셀의 다양한 공간 해상도 범위에서 개별 팔메르 나무를 성공적으로 탐지하고 국소화한다.
• CNN 분류, 신뢰도 맵 스무딩, 비최대값 제거의 조합은 잡음 신호를 효과적으로 줄이고 국소화 정밀도를 향상시킨다.
• 이 접근법은 레이블이 적은 데이터로도 강력한 일반화 능력을 보이며, 데이터가 부족한 환경에서의 구현에 적합하다.