본 연구에서는 남한강, 북한강유역의 항공정사영상과 토지피복지도를 입력자료로 하여 딥러닝 기반의 의미분할 기법 중 SegNet을 적용하고 기존의 토지피복분류 연구에서 사용되는 SVM, RF 기법과 함께 그 분류 정확도를 평가 후, 변화 지역을 탐지하였다. 먼저 도시, 농지, 산림, 수역 4가지 분류항목으로 구분된 ...
본 연구에서는 남한강, 북한강유역의 항공정사영상과 토지피복지도를 입력자료로 하여 딥러닝 기반의 의미분할 기법 중 SegNet을 적용하고 기존의 토지피복분류 연구에서 사용되는 SVM, RF 기법과 함께 그 분류 정확도를 평가 후, 변화 지역을 탐지하였다. 먼저 도시, 농지, 산림, 수역 4가지 분류항목으로 구분된 데이터셋을 구축 후, 최적의 성능을 나타내는 데이터셋을 구축하고 하이퍼파라미터 변화에 따른 검증 정확도를 비교하여 최적의 하이퍼파라미터를 선정 하였다. SVM, RF 모델의 학습을 위해 계층 샘플링을 통해 데이터셋을 구축 하였으며, 두 모델 역시 하이퍼 파라미터 변화에 따른 검증 정확도 및 error를 비교하여 최적의 하이퍼파라미터를 구축 하였다. 이후 연구지역 내 남양주시의 항목별 우점지역을 20장 선정하여 의미분할 및 분류를 수행하였으며, 그 결과, SegNet (91.54 %), RF (52..96 %), SVM (50.27 %) 순으로 정확도가 산정 되었다. SegNet은 두 모델에 비해 약 35 % 이상의 높은 전체 정확도를 보였으나 Segnet 모델 또한 일부 모델의 성능이 저하되는 현상을 발견 하였다. 이후 분류의 결과를 이용하여 변화탐지를 위한 모델로 SegNet을 선정 하였으며, 테스트 데이터에 사용되지 않은 남양주시 내 49장의 영상을 이용하여 변화를 탐지 하였다. 변화탐지의 결과는 chnage, no-change 와 변화 항목 별 정확도로 나누었으며, 두 결과에서 일부 항목에서 낮은 성능을 나타내었으나 전체 정확도는 약 84 %, 82 % 로 산정 되었다. 이상의 결과에서 토지피복 분류 및 변화탐지 연구에서 딥러닝 기반 의미분할모델의 성능을 확인 할 수 있었으며, 향후 다양한 자료를 이용하면 토지피복분류와 변화탐지에서 보다 높은 성능을 발휘 할 수 있을 것으로 판단된다.
본 연구에서는 남한강, 북한강유역의 항공정사영상과 토지피복지도를 입력자료로 하여 딥러닝 기반의 의미분할 기법 중 SegNet을 적용하고 기존의 토지피복분류 연구에서 사용되는 SVM, RF 기법과 함께 그 분류 정확도를 평가 후, 변화 지역을 탐지하였다. 먼저 도시, 농지, 산림, 수역 4가지 분류항목으로 구분된 데이터셋을 구축 후, 최적의 성능을 나타내는 데이터셋을 구축하고 하이퍼파라미터 변화에 따른 검증 정확도를 비교하여 최적의 하이퍼파라미터를 선정 하였다. SVM, RF 모델의 학습을 위해 계층 샘플링을 통해 데이터셋을 구축 하였으며, 두 모델 역시 하이퍼 파라미터 변화에 따른 검증 정확도 및 error를 비교하여 최적의 하이퍼파라미터를 구축 하였다. 이후 연구지역 내 남양주시의 항목별 우점지역을 20장 선정하여 의미분할 및 분류를 수행하였으며, 그 결과, SegNet (91.54 %), RF (52..96 %), SVM (50.27 %) 순으로 정확도가 산정 되었다. SegNet은 두 모델에 비해 약 35 % 이상의 높은 전체 정확도를 보였으나 Segnet 모델 또한 일부 모델의 성능이 저하되는 현상을 발견 하였다. 이후 분류의 결과를 이용하여 변화탐지를 위한 모델로 SegNet을 선정 하였으며, 테스트 데이터에 사용되지 않은 남양주시 내 49장의 영상을 이용하여 변화를 탐지 하였다. 변화탐지의 결과는 chnage, no-change 와 변화 항목 별 정확도로 나누었으며, 두 결과에서 일부 항목에서 낮은 성능을 나타내었으나 전체 정확도는 약 84 %, 82 % 로 산정 되었다. 이상의 결과에서 토지피복 분류 및 변화탐지 연구에서 딥러닝 기반 의미분할모델의 성능을 확인 할 수 있었으며, 향후 다양한 자료를 이용하면 토지피복분류와 변화탐지에서 보다 높은 성능을 발휘 할 수 있을 것으로 판단된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.