초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

SAR(Synthetic Aperture Radar)는 레이더 안테나에서 마이크로파를 방사하여 관측대상물에 의해 산란된 전자파에너지를 안테나로 감지하는 능동형 센서이다. 태양으로부터 방사된 전자파 에너지를 이용하는 수동형 센서와는 특성이 다르다. SAR는 대기 중 입자의 크기에 비해 파장이 긴 마이크로파를 사용하기 때문에 구름이나 안개 등을 투과할 수 있고 주야간 구분 없이 고해상도의 영상을 얻을 수 있다. 따라서 ...

SAR(Synthetic Aperture Radar)는 레이더 안테나에서 마이크로파를 방사하여 관측대상물에 의해 산란된 전자파에너지를 안테나로 감지하는 능동형 센서이다. 태양으로부터 방사된 전자파 에너지를 이용하는 수동형 센서와는 특성이 다르다. SAR는 대기 중 입자의 크기에 비해 파장이 긴 마이크로파를 사용하기 때문에 구름이나 안개 등을 투과할 수 있고 주야간 구분 없이 고해상도의 영상을 얻을 수 있다. 따라서 SAR 영상은 해양, 군사, 지리학 등 다양한 분야에서 활용되고 있다. 하지만 SAR 영상에는 코히런트(coherent) 방식 특유의 스페클(speckle)이 존재하고, 산란 문제나 영상 생성 과정이 복잡하기 때문에 데이터 해석에 제한이 발생하기도 한다. 또한, SAR 데이터로부터 생성된 영상은 색상 정보가 포함되어 있지 않다.
본 논문에서는 이러한 SAR 영상의 한계를 극복하기 위해 쌍(pair)이 없는 데이터의 도메인 변환에 효율적인 성능을 보이는 생성형 딥러닝 모델인 Cycle GAN을 도입하여 SAR 영상의 도메인 변환을 수행함으로써 색상을 대입하였다. Cycle GAN은 paired 데이터셋 기반으로 감독학습을 수행하던 pix2pix의 제한점을 극복하고자 Cycle-consistency 손실을 도입한 도메인 변환 딥러닝 모델이다. Cycle GAN은 해상도가 다르거나 기하학적으로 대응하지 않는 두 도메인의 데이터 집합을 바탕으로 무감독 학습이 가능하다. 하지만 Cycle GAN은 학습 불안정성과 생성 영상의 해상도가 저하하는 문제가 발생한다.
따라서 다중 크기의 식별자를 적용하여, Cycle GAN의 이러한 제한점을 극복하기 위한 실험을 진행하였다. 다중 식별자 및 다중 크기 식별자를 적용하여 GAN의 학습 불안정성과 생성 영상의 해상도를 향상하는 연구를 바탕으로 다중 크기 식별자를 Cycle GAN에 적용하여 Cycle GAN의 생성 영상의 해상도를 향상하였으며, 색상대입을 위한 학습이 효율적으로 진행됨을 확인하였다. 제시한 모델이 생성한 영상 또한 본 논문에 수록하였다.
한국항공우주연구원에서 운영 중인 Kompsat 5가 촬영한 Dubai 전역과 미국의 Florida 주 도심 지역의 SAR 위성 영상이 다중 크기의 식별자를 적용한 Cycle GAN의 학습에 사용되었다. 위성 영상의 개수가 부족하였기 때문에, 작은 크기로 무작위로 추출하여 학습을 위한 데이터 개수를 늘렸다. Unpaired 데이터셋 기반으로 모델의 학습을 수행하기 위해 광학 영상은 Google Earth Pro 프로그램에서 Dubai 전역과 Florida 주 도심 지역을 SAR 위성 영상과 동일한 크기로 임의로 추출하였다.

Keyword