[논문 리뷰] Deep Learning for Classification Tasks on Geospatial Vector Polygons

Rein van 't Veer, Peter Bloem외 1명|arXiv (Cornell University)|2018. 06. 11.

Geographic Information Systems Studies인용 수 7

한 줄 요약

이 논문은 기하학적 특징 추출 없이도 기하학적 벡터 다각형을 좌표 순서에서 직접 분류할 수 있는 엔드 투 엔드 딥 러닝 모델을 제안한다. 이 모델들은 세 가지 실세계 작업에서 전통적인 특징 추출 방법과 비교할 만한 분류 정확도를 달성하며, 딥 러닝이 사전 기하학적 특징 공학 없이도 원시 기하학적 데이터로부터 효과적으로 학습할 수 있음을 입증한다.

ABSTRACT

In this paper, we evaluate the accuracy of deep learning approaches on geospatial vector geometry classification tasks. The purpose of this evaluation is to investigate the ability of deep learning models to learn from geometry coordinates directly. Previous machine learning research applied to geospatial polygon data did not use geometries directly, but derived properties thereof. These are produced by way of extracting geometry properties such as Fourier descriptors. Instead, our introduced deep neural net architectures are able to learn on sequences of coordinates mapped directly from polygons. In three classification tasks we show that the deep learning architectures are competitive with common learning algorithms that require extracted features.

연구 동기 및 목표

• 기하학적 특징 추출 없이도 원시 좌표 순서에서 직접 학습하는 딥 러닝 모델이 지리공간 벡터 다각형에서 경쟁 가능한 분류 정확도를 달성할 수 있는지 평가하는 것.
• 수동으로 설계된 특징(예: 푸리에 기반 기하 특징)을 사용하는 얕은 기계학습 방법과 직접적으로 딥 러닝 모델을 비교하는 것.
• 세 가지 실세계 작업(주거지 주민 그룹, 건물 유형, 고고학적 특징)을 대상으로 한 지리공간 벡터 형태 분류를 위한 새로운 개방형 벤치마크 데이터셋을 제안하는 것.
• 시퀀스 길이(고정 길이 대 변수 길이)가 RNN 및 CNN의 성능에 미치는 영향을 평가하는 것.
• 기하학적 특징 공학 없이도 기하학적 데이터 기반 학습이 지리공간 응용 분야에서 특징 기반 기계학습의 타당한 대안이 될 수 있는지 탐색하는 것.

제안 방법

• 1D-CNN 및 LSTMs를 포함한 제안된 딥 네트워크 아키텍처가 다각형 기하학의 (x, y) 좌표 쌍 순서를 원시 입력으로 처리한다.
• 모델들은 기하학적 데이터의 단순화나 특징 추출과 같은 전처리 단계 없이, 처리되지 않은 벡터 기하학 데이터에서 엔드 투 엔드로 훈련된다.
• 비교를 위해 결정 트리, k-NN, SVM, 로지스틱 회귀와 같은 얕은 기계학습 모델이 타원 푸리에 기반 기하 특징(EFDs)을 포함한 특징에서 훈련되었으며, 순서는 최대 24까지였다.
• 모든 얕은 모델에 대해 그리드 서치를 통해 하이퍼파rameter 튜닝을 수행하였으며, 깊이, k, C, gamma 값의 범위가 명시되었다.
• 기하학적 정보를 손실 없이 유지하기 위해, 0 패딩이나 기하학적 단순화가 필요 없는 변수 길이 시퀀스를 사용하였다.
• 벤치마크에는 세 가지 분류 작업이 포함되어 있다: (1) 주거지 인구 집단(2개 클래스), (2) 건물 기능 유형(9개 클래스), (3) 고고학적 특징 유형(10개 클래스), 모두 개방형 지리공간 데이터를 사용한다.

실험 결과

연구 질문

• RQ1 기하학적 특징을 추출하지 않고도 원시 다각형 좌표 순서에서 직접 훈련된 딥 러닝 모델이, 기하학적 특징을 추출한 얕은 기계학습 모델과 비슷한 분류 정확도를 달성할 수 있는가?
• RQ2 변수 길이 시퀀스의 사용이 RNN 및 CNN의 지리공간 다각형 분류 성능에 어떤 영향을 미치는가?
• RQ3 다양한 딥 러닝 아키텍처(예: CNN 대 LSTM)가 원시 벡터 기하학 데이터에 적용되었을 때 상대적인 성능은 어떠한가?
• RQ4 기하학적 특징 공학 없이도 딥 러닝 모델이 다양한 지리공간 분류 작업에 일반화되는 정도는 어느 정도인가?
• RQ5 딥 러닝 모델이 기하학적 특징 공학 없이도 원시 기하학 데이터에서 의미 있는 표현을 학습할 수 있으며, 이는 실제 지리공간 분류 작업에 충분한가?

주요 결과

• 딥 러닝 모델은 모든 세 가지 벤치마크 작업에서 얕은 기계학습 모델과 비슷한 분류 정확도를 달성하여, 원시 기하학적 데이터에서 직접 학습이 가능하다는 핵심 가설을 검증하였다.
• LSTM 모델은 변수 길이 시퀀스에서 성능이 열악했으며, 고정 길이 입력이 없는 환경에서 공간 패턴을 포착하는 데 아키텍처적 한계가 있음을 시사했고, 반면 CNN는 변수 길이 입력에서 성능 향상을 보였다.
• 고정 길이 시퀀스(0 패딩 사용)는 LSTM 성능을 떨어뜨렸으며, 기하학적 정밀도를 유지하기 위해 변수 길이 처리 방식을 채택하여 이를 폐기하였다.
• 성능이 가장 뛰어난 얕은 모델은 주거지 작업에서는 순서 o=2, 건물 작업에서는 o=3, 고고학 작업에서는 o=3인 타원 푸리에 기반 기하 특징을 사용했으며, 이는 중간 정도의 특징 복잡도가 최적임을 시사했다.
• 모든 모델이 주거지 작업에서 인구를 일관되게 과대평가했으며, 과대평가 빈도가 약 두 배로 underestimation보다 더 자주 발생했으며, 이는 테스트 세트의 불균형 또는 형태 분포 편향 때문일 수 있다.
• 수면 기능이 있는 건물과 거주 기능이 있는 건물 사이, 고고학에서 자연 현상과 후크홀 사이의 구분이 어려웠으며, 이는 유사한 형태와 크기 특성 때문이었다.