[논문 리뷰] Deep-Learning Convolutional Neural Networks for scattered shrub detection with Google Earth Imagery

Emilio Guirado, Siham Tabik외 3명|arXiv (Cornell University)|2017. 06. 03.

Remote-Sensing Image Classification참고 문헌 48인용 수 70

한 줄 요약

본 연구는 transfer learning과 data augmentation을 활용한 CNN 기반 탐지기가 OBIA를 능가하여 Google Earth 영상에서 Ziziphus lotus 관목을 탐지하고, 새로운 지역으로의 이전성/전이성과 더 빠른 배포를 제공합니다.

ABSTRACT

There is a growing demand for accurate high-resolution land cover maps in many fields, e.g., in land-use planning and biodiversity conservation. Developing such maps has been performed using Object-Based Image Analysis (OBIA) methods, which usually reach good accuracies, but require a high human supervision and the best configuration for one image can hardly be extrapolated to a different image. Recently, the deep learning Convolutional Neural Networks (CNNs) have shown outstanding results in object recognition in the field of computer vision. However, they have not been fully explored yet in land cover mapping for detecting species of high biodiversity conservation interest. This paper analyzes the potential of CNNs-based methods for plant species detection using free high-resolution Google Earth T M images and provides an objective comparison with the state-of-the-art OBIA-methods. We consider as case study the detection of Ziziphus lotus shrubs, which are protected as a priority habitat under the European Union Habitats Directive. According to our results, compared to OBIA-based methods, the proposed CNN-based detection model, in combination with data-augmentation, transfer learning and pre-processing, achieves higher performance with less human intervention and the knowledge it acquires in the first image can be transferred to other images, which makes the detection process very fast. The provided methodology can be systematically reproduced for other species detection.

연구 동기 및 목표

• 고해상도 Google Earth 영상 활용을 통한 식생 종 매핑을 위한 정확한 CNN 기반 방법 개발.
• CNN 기반 탐지와 OBIA 기반 방법을 정확도, 이전성, 사용자 생산성 측면에서 비교.
• 전이 학습, 데이터 증강 및 전처리가 탐지 성능에 미치는 영향 평가.

제안 방법

• ImageNet에서 사전 학습된 GoogLeNet(Inception 기반 CNN)을 Ziziphus lotus와 이질 반조(bare soil with sparse vegetation) 간의 2클래스 문제로 미세 조정.
• 데이터 증강(랜덤 스케일, 랜덤 크롭, 수평 반전, 랜덤 밝기)을 적용하여 학습 데이터를 100에서 6000 이미지로 확장.
• 두 가지 탐지 방법 평가: 테스트 이미지에서 슬라이딩 윈도우와 CNN 추론 전에 후보 패치를 생성하기 위한 이미지 전처리.
• 전처리 단계 실험(반사도 기반 그레이스케일 마스킹 및 작은 군집 제거를 위한 에지 기반 필터링).
• CNN 기반 탐지기와 OBIA 탐지기(다중 해상도 분할 + KNN 분류)를 두 개의 테스트 구역(스페인과 키프로스)에서 비교.
• 정밀도, 재현율, F1-점수로 성능 측정.

실험 결과

연구 질문

• RQ1 고해상도 Google Earth 영상에서 산재한 관목 탐지를 위해 소규모의 전이 학습 데이터셋으로 학습된 CNN 기반 탐지기가 높은 정확도를 달성할 수 있는가?
• RQ2 다양한 지역에서 정확도, 이전성, 필요한 인간 감독 측면에서 CNN 기반 탐지가 OBIA에 비해 어떤 차이를 보이는가?

주요 결과

• 전이 학습과 데이터 증강을 적용한 GoogLeNet이 우수한 탐지 성능을 보이며, 전처리 시 Test-zone-1에서 98.57% 정밀도, 95.83% 재현율(F1 97.18%)에 도달.
• 전처리 없이 슬라이딩 윈도우를 사용한 증강 탐지는 90.28% 정밀도/재현율(F1 90.28%)을 달성했으며, 베이스라인보다 높음.
• 전처리(배경 제거 및 엔드-엣지 크기 필터링)가 Test-zone-1에서 결과를 98.57% 정밀도, 95.83% 재현율, F1 97.18%로 향상시킴.
• Test-zone-2에서 전처리된 CNN 기반 탐지는 92.68% 정밀도/재현율(F1 92.68%)을 달성하여 OBIA(정밀도 77.65%–72.41%, F1 84.08%–60.00%)를 능가함.
• GPU에서 약 7.55분의 CNN 학습(미세 조정 및 증강)이 필요했고, 새로운 이미지에의 배치는 몇 초만에 가능하며 OBIA는 이미지 구성당 약 12.5시간이 걸림.
• CNN은 스페인과 키프로스처럼 지역 간 이전성이 더 높은 편이며 OBIA보다 인간 감독이 덜 필요함.