항공사진과 토지이용현황도 간의 차이에 대한 분석을 위해서는 이미지 형식의 항공사진에 대한 학습모델 구현과 관련한 이미지 분류에 대한 머신러닝 기법과 벡터형태의 토지이용현황도와 이미지 형태의 항공사진에 대한 학습자료 구축을 을 위한 공간분석이 요구된다. ...

항공사진과 토지이용현황도 간의 차이에 대한 분석을 위해서는 이미지 형식의 항공사진에 대한 학습모델 구현과 관련한 이미지 분류에 대한 머신러닝 기법과 벡터형태의 토지이용현황도와 이미지 형태의 항공사진에 대한 학습자료 구축을 을 위한 공간분석이 요구된다. CNN(Convolutional Neural Network)의 활용방법으로는 학습자료를 이용해 새로운 모델을 구축하는 방안과 기존에 CNN을 기반으로 공개된 모델을 활용하는 방안을 고려해볼 수 있다. 그 동안 이미지 분류와 관련한 방식들이 발전하면서 CNN을 확장해온 VGG16, CaffeNet, GoogLeNet 등과 같은 모델들이 상당 수 개발되어왔다. 이들은 오픈소스 형태로 공개되어 있으며, 이러한 방식을 활용하는 전이학습(Transfer Modeling)은 인공위성 및 항공사진의 이미지 분류와 객체탐지에 다양한 연구들이 수행되었다.
연구단계는 크게 이미지에 대한 전이학습모델 구축단계, 벡터자료에 대한 모델 적용단계, 불일치 지역에 대한 탐색의 세 단계로 구분할 수 있다. 연구의 자료인 항공영상 자료는 웹사이트를 이용한 방법과 직접 촬영하여 수집하는 방법을 사용할 수 있다. 웹사이트를 이용한 자료수집에는 국토정보플랫폼(http://map.ngii.go.kr)에서 제공하는 항공사진 및 정사영상을 활용할 수 있고, 직접 촬영의 방식으로는 드론을 이용한 정사영상방식이 가능하다. 웹사이트 자료 수집은 넓은 지역에 대해 다양한 스케일이 자료수집이 가능하지만 특정 촬영시점이 정해진 특징을 갖는다. 반면 드론영상의 경우, 최신의 변화에 대해 자료취득이 가능하지만 영상촬영의 지역적 범위에 제약을 갖는 특징이 있다.
전이학습모델 구축에는 클래스분류와 객체추출의 두 가지 방법론을 적용한다. CNN을 기반으로 하는 전이학습 모델 중 객체 분류에 있어서 가장 많은 활용도를 갖는 것으론 V3 인셉션 모델을 적용한다. 구글 연구소에서 개발되어 오픈소스로 개방된 GoogLeNet으로도 알려진 V3 인셥션 모델은 인공위성영상 분류에 적용한 다수의 사례들이 있다. 객체분류방식으로는 YOLO를 적용한다. 미국 워싱턴 대학의 연구소에서 개발된 YOLO는 CCTV로 전송되는 실시간 객체탐지로 유명한 모델로 객체탐지 분야에서 가장 많은 활용도를 갖고 있으며, 위성영상 속의 공간객체 탐지분야에서도 많은 연구들이 수행되었다.
데이터사이언스의 가장 대표적인 분야인 머신러닝의 연구에 있어서 상당히 많은 부분은 적합한 학습 자료의 수집과 모델의 정확도를 높이기 위한 탐색에 많은 시간이 소요된다. 이미지 분류에 있어서 일반적인 사진촬영으로 취득한 이미지의 경우 사진에 대한 라벨링으로 작업이 단순한 반면, 항공사진 이미지의 경우 측면이 아닌 지상에 대한 수직촬영 영상이라는 점과 좌표계를 갖고 있기에 공간자료에 대한 처리를 고려해야한다.

In order to analyze the difference between aerial photos and land use status maps, machine learning techniques for image classification related to the realization of a learning model for aerial photos in image format and learning materials for vector ...

In order to analyze the difference between aerial photos and land use status maps, machine learning techniques for image classification related to the realization of a learning model for aerial photos in image format and learning materials for vector format land use status maps and image format aerial photos Spatial analysis is required for construction. As a method of using CNN (Convolutional Neural Network), it is possible to consider a method of building a new model using learning data and a method of using an existing model based on CNN. In the meantime, a number of models such as VGG16, CaffeNet, and GoogLeNet that have extended CNN as methods related to image classification have been developed. These are publicly available in an open source form, and various studies have been conducted on image classification and object detection for transfer modeling using this method.

The research stage can be roughly divided into three stages: the stage of constructing a transfer learning model for images, the stage of applying the model to vector data, and the search for inconsistent regions. Aerial image data, which is the data of the study, can be collected by using the website or by taking direct pictures. In order to collect data using the website, aerial photos and orthographic images provided by the National Land Information Platform (http://map.ngii.go.kr) can be used, and as a direct shooting method, an orthographic image method using a drone is possible. do. The website data collection enables data collection at various scales over a wide area but has a characteristic that a specific shooting time is determined. On the other hand, in the case of drone images, it is possible to acquire data on the latest changes, but there are limitations in the regional scope of imaging. Two methodologies of class classification and object extraction are applied to construct transfer learning model. Among the transfer learning models based on CNN, the V3 inception model is applied to the one that has the most use in object classification. The V3 induction model, also known as GoogLeNet, developed at Google Research Lab and opened as an open source, has many examples of application to satellite image classification. YOLO is applied as an object classification method. YOLO, developed at Washington University's research institute, is a famous model for real-time object detection transmitted to CCTV, and has the most use in the field of object detection, and many studies have been conducted in the field of spatial object detection in satellite images.

In the study of machine learning, the most representative field of data science, it takes a lot of time to collect suitable learning data and search to increase the accuracy of the model.
In the case of image classification, in the case of images acquired by general photography, the work is simple by labeling the photos, whereas in the case of aerial photographic images, the processing of spatial data should be considered because it is a vertical image of the ground rather than the side and has a coordinate system.

항공사진과 토지이용현황도 간의 차이에 대한 분석을 위해서는 이미지 형식의 항공사진에 대한 학습모델 구현과 관련한 이미지 분류에 대한 머신러닝 기법과 벡터형태의 토지이용현황도와 이미지 형태의 항공사진에 대한 학습자료 구축을 을 위한 공간분석이 요구된다. ...

항공사진과 토지이용현황도 간의 차이에 대한 분석을 위해서는 이미지 형식의 항공사진에 대한 학습모델 구현과 관련한 이미지 분류에 대한 머신러닝 기법과 벡터형태의 토지이용현황도와 이미지 형태의 항공사진에 대한 학습자료 구축을 을 위한 공간분석이 요구된다. CNN(Convolutional Neural Network)의 활용방법으로는 학습자료를 이용해 새롭운 모델을 구축하는 방안과 기존에 CNN을 기반으로 공개된 모델을 활용하는 방안을 고려해볼 수 있다. 그 동안 이미지 분류와 관련한 방식들이 발전하면서 CNN을 확장해온 VGG16, CaffeNet, GoogLeNet 등과 같은 모델들이 상당 수 개발되어왔다. 이들은 오픈소스 형태로 공개되어 있으며, 이러한 방식을 활용하는 전이학습(Transfer Modeling)은 인공위성 및 항공사진의 이미지 분류와 객체탐지에 다양한 연구들이 수행되었다.
연구단계는 크게 이미지에 대한 전이학습모델 구축단계, 벡터자료에 대한 모델 적용단계, 불일치 지역에 대한 탐색의 세 단계로 구분할 수 있다. 연구의 자료인 항공영상 자료는 웹사이트를 이용한 방법과 직접 촬영하여 수집하는 방법을 사용할 수 있다. 웹사이트를 이용한 자료수집에는 국토정보플랫폼(http://map.ngii.go.kr)에서 제공하는 항공사진 및 정사영상을 활용할 수 있고, 직접 촬영의 방식으로는 드론을 이용한 정사영상방식이 가능하다. 웹사이트 자료 수집은 넓은 지역에 대해 다양한 스케일이 자료수집이 가능하지만 특정 촬영시점이 정해진 특징을 갖는다. 반면 드론영상의 경우, 최신의 변화에 대해 자료취득이 가능하지만 영상촬영의 지역적 범위에 제약을 갖는 특징이 있다.
전이학습모델 구축에는 클래스분류와 객체추출의 두 가지 방법론을 적용한다. CNN을 기반으로 하는 전이학습 모델 중 객체 분류에 있어서 가장 많은 활용도를 갖는 것으론 V3 인셉셜 모델을 적용한다. 구글 연구소에서 개발되어 오픈소스로 개방된 GoogLeNet으로도 알려진 V3 인셥션 모델은 인공위성영상 분류에 적용한 다수의 사례들이 있다. 객체분류방식으로는 VOLO를 적용한다. 미국 워싱턴 대학의 연구소에서 개발된 YOLO는 CCTV로 전송되는 실시간 객체탐지로 유명한 모델로 객체탐지 분야에서 가장 많은 활용도를 갖고 있으며, 위성영상 속의 공간객체 탐지분야에서도 많은 연구들이 수행되었다.
데이터사이언스의 가장 대표적인 분야인 머신러닝의 연구에 있어서 상당히 많은 부분은 적합한 학습 자료의 수집과 모델의 정확도를 높이기 위한 탐색에 많은 시간이 소요된다. 이미지 분류에 있어서 일반적인 사진촬영으로 취득한 이미지의 경우 사진에 대한 라벨링으로 작업이 단순한 반면, 항공사진 이미지의 경우 측면이 아닌 지상에 대한 수직촬영 영상이라는 점과 좌표계를 갖고 있기에 공간자료에 대한 처리를 고려해야한다.

본 연구의 결과물로는 항공 영상을 이용해 제작한 학습자료 그리고 딥러닝의 전이학습을 적용한 모델, 학습자료 제작 시 사용한 공간분석모델 등을 연구의 결과물로 얻어낼 수가 있다. 이러한 연구결과는 학문 및 교육적 관점에서 향후 연구를 위한 사례로써 향후 국내 항 ...

본 연구의 결과물로는 항공 영상을 이용해 제작한 학습자료 그리고 딥러닝의 전이학습을 적용한 모델, 학습자료 제작 시 사용한 공간분석모델 등을 연구의 결과물로 얻어낼 수가 있다. 이러한 연구결과는 학문 및 교육적 관점에서 향후 연구를 위한 사례로써 향후 국내 항공 영상을 활용하는 유사한 연구에 사례를 제공한다.
첫째로는 전이학습을 활용하는 토지이용변화탐지의 방안을 제시한다는 점이다. 최근의 변화를 즉시 반영하고 있는 항공 영상과 같은 라스터 자료를 기반으로 벡터 자료와의 비교를 통해 양자 간의 차이를 분석하는 방안을 제공한다. 이러한 모델은 이후 라스터와 벡터 자료 간의 비교를 요구하는 다양한 분야에 적용이 가능할 것이다.
둘째로, 연구의 필요성은 국토지리정보의 항공사진을 이용해 작성한 토지이용 관련 학습자료를 공유하는 데에서 확인할 수 있다. 인공지능 분야의 연구는 분석모델을 개발하는 부분과 분석을 위한 학습자료 구축의 부분으로 구분할 수 있고, 두 부분에 관한 결과를 공유하는 것은 이후 연구에 있어서 중요한 역할을 담당한다.
셋째로, 학습모델 구축에 활용한 공간분석 모델은 이후 공간자료를 활용한 머신러닝에 있어서 연구 자료로서 공유될 것이며 이후에 국내 항공 영상을 기반으로 하는 연구의 토대가 될 것이다.