딥러닝 기반의 초분광영상 분류를 사용한 환경공간정보시스템 활용 Deep Learning-based Hyperspectral Image Classification with Application to Environmental Geographic Information Systems원문보기
본 연구는 4차 산업의 핵심기술인 인공지능과 환경공간정보의 융합을 통한 정보생산 및 활용가능성을 제시하고자 대표적인 딥러닝(deep-learning) 기법인 CNN(Convolutional Neural Network)을 이용한 영상분류를 수행하였다. CNN은 학습을 통해 스스로 분류기준에 따른 커널의 속성을 결정하며, 최적의 특징영상(feature map)을 추출하여 화소를 분류한다. 본 연구에서는 CNN network를 구성하여 기존의 영상처리 기법으로 해결이 어려웠던 분광특성이 유사한 물질간의 분류 및 GIS속성정보에 따른 분류를 수행하였으며, 항공초분광센서인 CASI(Compact Airborne Spectrographic imager)와 AISA(Airborne Imaging Spectrometer for Application)로 취득된 영상을 이용하였다. 실험대상지역은 총 3곳이며, Site 1과 Site 2는 감자, 양파, 벼 등의 다양한 농작물을 포함하며, Site 3는 단독주거시설, 공동주거시설 등 세분류 토지피복도의 분류 항목으로 구성된 건물을 포함한다. 실험결과, 분류 정확도 96%, 99%로 농작물을 종류에 따라분류하였으며, 96%의 정확도로 건물을 용도에 따라 분류하였다. 본 연구의 결과를 환경공간정보 서비스에 활용하기 위하여 계절별 농작물의 종류를 제공할 수 있는 환경주제도를 제안하였으며, 기존의 토지피복도와 최신 GIS자료를 이용한 세분류 토피지복도 제작 및 갱신 가능성을 확인하였다.
본 연구는 4차 산업의 핵심기술인 인공지능과 환경공간정보의 융합을 통한 정보생산 및 활용가능성을 제시하고자 대표적인 딥러닝(deep-learning) 기법인 CNN(Convolutional Neural Network)을 이용한 영상분류를 수행하였다. CNN은 학습을 통해 스스로 분류기준에 따른 커널의 속성을 결정하며, 최적의 특징영상(feature map)을 추출하여 화소를 분류한다. 본 연구에서는 CNN network를 구성하여 기존의 영상처리 기법으로 해결이 어려웠던 분광특성이 유사한 물질간의 분류 및 GIS속성정보에 따른 분류를 수행하였으며, 항공초분광센서인 CASI(Compact Airborne Spectrographic imager)와 AISA(Airborne Imaging Spectrometer for Application)로 취득된 영상을 이용하였다. 실험대상지역은 총 3곳이며, Site 1과 Site 2는 감자, 양파, 벼 등의 다양한 농작물을 포함하며, Site 3는 단독주거시설, 공동주거시설 등 세분류 토지피복도의 분류 항목으로 구성된 건물을 포함한다. 실험결과, 분류 정확도 96%, 99%로 농작물을 종류에 따라분류하였으며, 96%의 정확도로 건물을 용도에 따라 분류하였다. 본 연구의 결과를 환경공간정보 서비스에 활용하기 위하여 계절별 농작물의 종류를 제공할 수 있는 환경주제도를 제안하였으며, 기존의 토지피복도와 최신 GIS자료를 이용한 세분류 토피지복도 제작 및 갱신 가능성을 확인하였다.
In this study, images were classified using convolutional neural network (CNN) - a deep learning technique - to investigate the feasibility of information production through a combination of artificial intelligence and spatial data. CNN determines kernel attributes based on a classification criterio...
In this study, images were classified using convolutional neural network (CNN) - a deep learning technique - to investigate the feasibility of information production through a combination of artificial intelligence and spatial data. CNN determines kernel attributes based on a classification criterion and extracts information from feature maps to classify each pixel. In this study, a CNN network was constructed to classify materials with similar spectral characteristics and attribute information; this is difficult to achieve by conventional image processing techniques. A Compact Airborne Spectrographic Imager(CASI) and an Airborne Imaging Spectrometer for Application (AISA) were used on the following three study sites to test this method: Site 1, Site 2, and Site 3. Site 1 and Site 2 were agricultural lands covered in various crops,such as potato, onion, and rice. Site 3 included different buildings,such as single and joint residential facilities. Results indicated that the classification of crop species at Site 1 and Site 2 using this method yielded accuracies of 96% and 99%, respectively. At Site 3, the designation of buildings according to their purpose yielded an accuracy of 96%. Using a combination of existing land cover maps and spatial data, we propose a thematic environmental map that provides seasonal crop types and facilitates the creation of a land cover map.
In this study, images were classified using convolutional neural network (CNN) - a deep learning technique - to investigate the feasibility of information production through a combination of artificial intelligence and spatial data. CNN determines kernel attributes based on a classification criterion and extracts information from feature maps to classify each pixel. In this study, a CNN network was constructed to classify materials with similar spectral characteristics and attribute information; this is difficult to achieve by conventional image processing techniques. A Compact Airborne Spectrographic Imager(CASI) and an Airborne Imaging Spectrometer for Application (AISA) were used on the following three study sites to test this method: Site 1, Site 2, and Site 3. Site 1 and Site 2 were agricultural lands covered in various crops,such as potato, onion, and rice. Site 3 included different buildings,such as single and joint residential facilities. Results indicated that the classification of crop species at Site 1 and Site 2 using this method yielded accuracies of 96% and 99%, respectively. At Site 3, the designation of buildings according to their purpose yielded an accuracy of 96%. Using a combination of existing land cover maps and spatial data, we propose a thematic environmental map that provides seasonal crop types and facilitates the creation of a land cover map.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
그러나 영상에서 건물을 포함하는 화소는 분광특성의 차이 외에도 건물이 사용되는 용도에 따라 크기 및 모양, 인접건물의 특성, 분포 등과 같은 고유한 특징을 가질 수 있다. 따라서 본 연구에서는 영상에서 건물을 용도에 따라 분류하고자 스스로 커널의 특성을 학습하여 다양한 정보를 추출할 수 있는 CNN기법을 이용하였으며, 국가공간정보포털에서 제공하는 최신 GIS 건물통합정보를 참조자료로 이용하여 정확도 평가를 수행하였다.
본 연구에서는 CNN을 이용한 초분광영상의 분류 성능을 확인하기 위하여 농작물의 종류 및 건물의 용도에 따른 분류를 수행하였다.
본 연구에서는 사용자의 개입을 최소화하며 영상에서 환경공간정보시스템에 활용될 수 있는 유용한 정보를 추출하기 위하여 딥러닝(Deep learning)을 이용한 초분광영상의 분류를 수행하였으며, 이를 이용한 환경주제도 및 토지피복도 구축 방안을 제시하고자 한다.
본 연구의 결과를 공간정보시스템 활성화 및 갱신에 활용하고자 환경주제도 및 토지피복도 갱신 방안을 제안하고자 한다.
본 연구의 성과를 토지피복도의 제작 및 갱신에 활용 하고자, 영상을 직접 세분류 토지피복도 항목으로 분류 하고자 하였다. 정보의 최신성을 유지하면서 제작의 효율성 및 경제성을 고려하기 위하여, 최신 GIS건물정보및 기존의 토지피복도를 활용하였다(Fig.
실험 대상지역 Site1, Site2, Site3에 대한 분류 정확도는 각각 96%, 99%, 96%로 나타났으며, 머신러닝의 대표적인 기법인 SVM에 비하여 높은 분류정확도로 분광특성과 속성정보에 따라 농작물과 건물을 효과적 으로 분류할 수 있었다. 이러한 결과를 바탕으로 계절 별 농작물의 종류를 제공할 수 있는 환경주제도를 제안 하였으며, 최신 GIS자료와 기존의 토지피복도를 이용한 세분류 토피지복도의 제작 및 갱신가능성을 확인하였다. 본 연구에서 제시한 토지피복도 제작방법의 경우 영상을 중분류 및 세분류 항목으로 직접 분류하기 때문에 드론 등과 같이 최신 영상을 취득하기 용이한 현 상황에서 토지피복도의 갱신과 제작에 소모되는 시간과 비용을 현저히 줄일 수 있을 것으로 기대된다.
제안 방법
Site3는 AISA영상으로 건물용도에 따른 분류 가능성을 확인하기 위하여, 용도를 확인 할 수 있는 특정 건물에 대하여 분류를 수행 하였다. CNN기법의 분류 정확도를 평가하기 위하여 대표적인 머신러닝 기법인 SVM과 분류정확도를 비교 하였다.
10). CNN을이용한 초분광영상의 분류를 수행하기 위해서는 분류의 기준이 되는 training data를 지정해 주어야 하는데, 영상에서 비변화된 부분은 기존의 토지피복도를 참고하여 roi(region of interest)를 지정하였으며, 기존의 피복도 에서 존재하지 않는 새로운 물질의 경우, 토피지복도 분류항목을 참고하여 새로운 물질로 roi를 선정하였다. 또한 갱신여부를 육안으로 확인 할 수 없는 건물 등은 GIS 건물 통합정보를 활용하여 정보가 누락된 추가 건물을 분류하였으며, 분류된 건물의 용도와 구획경계를 참고 하여 시가화·건조지역의 분류항목으로 분류를 수행하였다.
GCP(Ground Control Point)의 위치정보 및 DEM자료를 이용한 기하보정 및 정사보정을 수행하였으며, ATCOR(Atomosphric/Topographic Correction for Satellite Imagery) 모듈을 적용하여 대기효과를 제거하였다. ATCOR는 Radiative transfer code를 기반으로 분광 반사율, 표면 온도 등을 계산하여 대기감쇠에 의한 노이즈 및 연무제거에 효과적인 것으로 알려져 있다(Lee et al.
Site1, Site2는 각각 CASI와 AISA로 취득된 영상이며 감자, 양파, 밀 등 다양한 농작물로 구성되어 종류에 따라 농작물을 분류하기 위한 지역이다. Site3는 AISA영상으로 건물용도에 따른 분류 가능성을 확인하기 위하여, 용도를 확인 할 수 있는 특정 건물에 대하여 분류를 수행 하였다. CNN기법의 분류 정확도를 평가하기 위하여 대표적인 머신러닝 기법인 SVM과 분류정확도를 비교 하였다.
건물의 용도는 환경부 토지피복도 세분류에 따라 재분류 하였으며 단독주거시설, 공동주거시설, 사업·업무시설, 교육·행정시설, 혼합지역, 기타 공공시설 등으로 구분 하였다.
본 연구에서는 CNN을 초분광영상분류에 적용하여 분광특성이 유사한 농작물을 분류하고, 속성 정보를 이용하여 건물을 용도에 따라 분류하였다. 대표 적인 머신러닝 기법인 SVM(Support Vector Machine)과 분류정확도를 비교하였으며, 환경공간정보시스템에 활용될 수 있는 적용방안을 서술하였다.
또한 갱신여부를 육안으로 확인 할 수 없는 건물 등은 GIS 건물 통합정보를 활용하여 정보가 누락된 추가 건물을 분류하였으며, 분류된 건물의 용도와 구획경계를 참고 하여 시가화·건조지역의 분류항목으로 분류를 수행하였다.
, 2017). 본 연구에서는 CNN을 초분광영상분류에 적용하여 분광특성이 유사한 농작물을 분류하고, 속성 정보를 이용하여 건물을 용도에 따라 분류하였다. 대표 적인 머신러닝 기법인 SVM(Support Vector Machine)과 분류정확도를 비교하였으며, 환경공간정보시스템에 활용될 수 있는 적용방안을 서술하였다.
4(b)). 본 연구에서는 미세한 분광특성의 차이를 학습시켜 작물을 종류에 따라 분류하고자 양파, 마늘, 감자 등으로 구성된 초분광영상을 이용하여 실험하였으며, 현장조사로 구축한 참조자료를 이용하여 분류 정확도를 평가하였다.
본 연구의 성과를 토지피복도의 제작 및 갱신에 활용 하고자, 영상을 직접 세분류 토지피복도 항목으로 분류 하고자 하였다. 정보의 최신성을 유지하면서 제작의 효율성 및 경제성을 고려하기 위하여, 최신 GIS건물정보및 기존의 토지피복도를 활용하였다(Fig. 10). CNN을이용한 초분광영상의 분류를 수행하기 위해서는 분류의 기준이 되는 training data를 지정해 주어야 하는데, 영상에서 비변화된 부분은 기존의 토지피복도를 참고하여 roi(region of interest)를 지정하였으며, 기존의 피복도 에서 존재하지 않는 새로운 물질의 경우, 토피지복도 분류항목을 참고하여 새로운 물질로 roi를 선정하였다.
초분광영상을 분류하기 위해 구성한 본 연구의 CNN network는 input layer 1개, convolution layer 2개, 최대값을 추출하여 pooling 영상을 구성하는 max pooling layer 2개를 거쳐 fully connected layer 2개, output layer 1개로 구성하였다. Fig.
본 연구에서는 다양한 정보를 이용하여 초분광영상을 분류하고자 최적의 feature map을 추출하여 스스로 커널의 속성을 학습할 수 있는 CNN기법을 이용하였다. 항공 초분광센서 CASI 및 AISA에서 취득된 영상을 사용하였으며, 작물의 분광정보와 건물의 속성정보를 활용하여 농작물의 종류 및 건물의 용도에 따른 분류를 수행하였다. 실험 대상지역 Site1, Site2, Site3에 대한 분류 정확도는 각각 96%, 99%, 96%로 나타났으며, 머신러닝의 대표적인 기법인 SVM에 비하여 높은 분류정확도로 분광특성과 속성정보에 따라 농작물과 건물을 효과적 으로 분류할 수 있었다.
대상 데이터
3은 CNN network의 대략적인 흐름을 보여준다. Input layer에는 연산의 효율성을 위하여 PCA (Principal Component Analysis)를 수행한 초분광영상을 이용하였으며, 일반적으로 10~30개의 인자가 의미를 갖는다고 보기 때문에 총 30개의 밴드로 차원이 축소된 영상을 사용하였다(Cao et al., 2017).
= [n 1/2)로 축소된 feature map이 생성된다. 두 번째 convolution layer의 크기도 첫 번째 layer와 동일하며 총 300개의 필터로 구성하였다. 따라서 두 번째 convolution layer를 거치면 n3×n3×300(n3 = n2 – 2) 개의 feature map이 생성되고 또다시 max pooling layer (2×2)를 통해 n4×n4×300(n4 = n3/2)개의 축소된 영상이 생성된다.
본 연구의 실험 대상지역은 총 3곳이며, 항공초분광 센서인 CASI(Compact Airborne Spectrographic Imager) 와 AISA(Airborne Imaging Spectrometer for Application) 를 통해 취득된 영상을 사용하였다(Fig. 5).
Site2의 경우 밀, 벼, 양파, 마늘, 도로 등으로 구성된 영상이다. 영상의 촬영 시기는 5월로 양파, 밀 등은 수확을 앞둔 시기였으며, 모종을 심기 위하여 물을 댄 논과 모종이 자라고 있는 논 등이 존재하였다. 모종을 심은지 얼마 되지 않은 논은 영상에서 나지로 구분되었다.
Site3는 건물의 속성정보에 따른 분류가능성을 확인하기 위한 지역으로 영상에서 용도를 확인할 수 있는 건물에 대하여 분류를 수행하였다. 영상이 촬영된 시기에 따른 건물의 속성정보를 얻기 위하여 국가공간정보포털에서 제공하는 GIS건물통합정보 shp파일을 이용하였다. 해당 자료는 2017년 8월 3일 갱신되었으며, 건물의 주소 및 용도, 건축 재료 등의 정보를 제공한다.
Site1은 감자, 우엉, 연잎, 콘크리트 등으로 구성되어 있다. 참조자료는 현장조사를 통해 구축하였으며, 랜덤 하게 추출된 10%는 training data, 나머지 90%는 test data로사용하였다. Table 3-4는 CNN과 SVM의 분류결과의 오차 행렬이다.
건물의 용도는 환경부 토지피복도 세분류에 따라 재분류 하였으며 단독주거시설, 공동주거시설, 사업·업무시설, 교육·행정시설, 혼합지역, 기타 공공시설 등으로 구분 하였다. 참조자료의 10%는 training data로 이용하였으며, 나머지는 test data로 이용하였다(Fig. 8). CNN분류 결과 전체분류정확도는 96%(# )로 나타났으며 SVM(# )에 비해 높은 정확도로 건물을 용도에 따라 분류할 수 있었다(Table 7-8).
이론/모형
지도를 기반으로 제공되는 토지피복도 및 환경주제 도는 위성 및 항공기, 드론 등에서 취득된 영상을 기반으로 구축된다. 대분류 및 중분류 토지피복도는 Landsat TM, SPOT 5, 아리랑2호 등의 위성영상을 활용하며, 세분류 토지피복도의 경우 고해상도 위성영상인 IKONOS 및 항공 정사영상을 이용하여 정보를 추출한다(Ministry of Environment, 2016). 그러나 지도제작에 사용되는 위성 및 항공영상의 경우, 촬영당시 지표의 물리적 특징만을 반영하기 때문에 속성정보를 추출하기 어렵고, 공간해상도에 따라 물질의 경계지역에서 정보의 손실이 발생할 수 있다(Shin et al.
이때 σ는 activation function, W는 가중치 행렬, b는 잔차(bias)행렬을 뜻한다. 본 연구에서는 activation function 에 ReLU(Rectified Linear Unit)를 사용하였다. 각각의
본 연구에서는 다양한 정보를 이용하여 초분광영상을 분류하고자 최적의 feature map을 추출하여 스스로 커널의 속성을 학습할 수 있는 CNN기법을 이용하였다. 항공 초분광센서 CASI 및 AISA에서 취득된 영상을 사용하였으며, 작물의 분광정보와 건물의 속성정보를 활용하여 농작물의 종류 및 건물의 용도에 따른 분류를 수행하였다.
크로스 엔트로피의 계산량을 줄이기 위하여 전체자료 대신 일부 자료에 대해서 손실값을 계산하는 SGD (Stochastic Gradient Descent) 방법을 사용하였다. tth번의 반복학습을 수행한다고 할 때, W와 b는 역전파(backpropagation) 알고리즘에 의해 식 (3)과 (4)와 같이 갱신 된다.
성능/효과
8). CNN분류 결과 전체분류정확도는 96%(# )로 나타났으며 SVM(# )에 비해 높은 정확도로 건물을 용도에 따라 분류할 수 있었다(Table 7-8).
이는 실제 영상에서 도로로 정의된 지역이 촬영 각도 및 그림자에 의하여 어둡게 나타났기 때문이다. SVM의 경우 연잎은 제대로 분류되었으나, 감자와 우엉, 도로사이의 오분류가 상대적으로 크게 나타나는 것을 확인하였다.
모종을 심은지 얼마 되지 않은 논은 영상에서 나지로 구분되었다. Site1과 마찬가지로 랜덤하게 화소를 추출하여 training data와 test data를 나누어 실험하였으며 CNN의 분류결과는 99%( # )로 SVM( # )에 비해 매우 높은 분류 정확도를 가졌다(Table 5-6). 오분류는 참조자료가 없는 지역, 즉 training sample이 위치하지 않은 지역에서 주로 발생했으며 분광특성이 유사한 나지와 도로 사이의 오분류가 나타났다(Fig.
분류 결과, 초분광영상을 토지이용 현황에 따른 세분류 항목으로 분류할 수 있었으며, 갱신지역을 효과적으로 추출할 수 있었다(Fig. 11). 2017년 세분류 토지피복 도를 보면 2012년도 세분류 토지피복도와 비교하여 2017년 영상에서 새로 건설된 도로, 운동장, 건물 등을 확인할 수 있으며, 2012년 토지피복도에서 기타나지로 분류되었으나, 새로운 건물이 건설된 곳은 GIS건물정 보를 참고하여 상업·업무지역으로 분류되었다.
항공 초분광센서 CASI 및 AISA에서 취득된 영상을 사용하였으며, 작물의 분광정보와 건물의 속성정보를 활용하여 농작물의 종류 및 건물의 용도에 따른 분류를 수행하였다. 실험 대상지역 Site1, Site2, Site3에 대한 분류 정확도는 각각 96%, 99%, 96%로 나타났으며, 머신러닝의 대표적인 기법인 SVM에 비하여 높은 분류정확도로 분광특성과 속성정보에 따라 농작물과 건물을 효과적 으로 분류할 수 있었다. 이러한 결과를 바탕으로 계절 별 농작물의 종류를 제공할 수 있는 환경주제도를 제안 하였으며, 최신 GIS자료와 기존의 토지피복도를 이용한 세분류 토피지복도의 제작 및 갱신가능성을 확인하였다.
후속연구
이러한 결과를 바탕으로 계절 별 농작물의 종류를 제공할 수 있는 환경주제도를 제안 하였으며, 최신 GIS자료와 기존의 토지피복도를 이용한 세분류 토피지복도의 제작 및 갱신가능성을 확인하였다. 본 연구에서 제시한 토지피복도 제작방법의 경우 영상을 중분류 및 세분류 항목으로 직접 분류하기 때문에 드론 등과 같이 최신 영상을 취득하기 용이한 현 상황에서 토지피복도의 갱신과 제작에 소모되는 시간과 비용을 현저히 줄일 수 있을 것으로 기대된다. 현재 발생하는 한계점을 개선할 수 있는 추가 연구를 통하여, 기존의 구축된 자료를 활용함과 동시에 사용자에게는 최신 정보를 제공할 수 있을 것이며, 이를 통해 환경공 간정보시스템 활성화에 기여할 것으로 보인다.
이는 계절별 작황 현황 및 농작물의 생산량 예측에 활용될 수 있으며 지역에 따른 농작물의 특성화 및 도시계획 등에 기초자료로 활용될 수 있을 것으로 예상 된다.
초분광영상은 군용 감시, 환경모니터링, 기상분석 등에 활용되고 있으며 시장조사 전문업체인 미국 M&M 사가 발표한 ‘2019년까지의 전 세계 초분광영상장비 시장 전망’에 따르면 2015~2019년 사이 초분광 장비시장이 76% 성장하고 규모는 2014년 4,720만 달러에서 2019 년 8,320달러까지 확대될 것으로 예상하고 있다. 추후 다양한 초분광센서가 상용화 될 것으로 보이며, 이러한 시대 흐름에 맞추어 초분광영상에서 유용한 정보를 추출할 수 있는 영상처리 기법에 대한 꾸준한 연구가 필요한 시점이다.
본 연구에서 제시한 토지피복도 제작방법의 경우 영상을 중분류 및 세분류 항목으로 직접 분류하기 때문에 드론 등과 같이 최신 영상을 취득하기 용이한 현 상황에서 토지피복도의 갱신과 제작에 소모되는 시간과 비용을 현저히 줄일 수 있을 것으로 기대된다. 현재 발생하는 한계점을 개선할 수 있는 추가 연구를 통하여, 기존의 구축된 자료를 활용함과 동시에 사용자에게는 최신 정보를 제공할 수 있을 것이며, 이를 통해 환경공 간정보시스템 활성화에 기여할 것으로 보인다.
질의응답
핵심어
질문
논문에서 추출한 답변
환경공간정보란 무엇인가?
환경공간정보(Environmental Geographic Information)란 환경에 관련된 유용한 정보를 지도 위에 표현이 가능하도록 처리하여 그 위치나 분포 등을 알 수 있는 모든 정보를 뜻한다. 환경공간정보를 구축하고 활용하는 것은 국토를 친환경적이고 계획적으로 관리하기 위하여 반드시 필요한 일이다.
지도제작에 사용되는 위성 및 항공영상의 경우 어떤 문제가 발생할 수 있는가?
대분류 및 중분류 토지피복도는 Landsat TM, SPOT 5, 아리랑2호 등의 위성영상을 활용하며, 세분류 토지피복도의 경우 고해상도 위성영상인 IKONOS 및 항공 정사영상을 이용하여 정보를 추출한다(Ministry of Environment, 2016). 그러나 지도제작에 사용되는 위성 및 항공영상의 경우, 촬영당시 지표의 물리적 특징만을 반영하기 때문에 속성정보를 추출하기 어렵고, 공간해상도에 따라 물질의 경계지역에서 정보의 손실이 발생할 수 있다(Shin et al., 2015).
최적의 특징영상(feature map)을 추출하기 위해 어떤 과정을 거치는가?
CNN의 핵심개념은 학습을 통해 커널의 속성과 개수를 정의하여 최적의 특징영상(feature map)을 추출하는 것이다. 이러한 과정에서 여러 개의 convolution layer를 구성하여 deep network를 구성하며, 영상의 차원을 축소하기 위하여 pooling이란 과정을 거치게 된다. 서로 이웃한 화소는 유사할 가능성이 크기 때문에 다양한 방법의 차원축소를 통해 화소를 subsampling하는 과정을 pooling이라고 한다.
참고문헌 (12)
Cao, X., F. Zhou, L. Xu, D. Meng, Z. Xu, and J. Paisley, 2017. Hyperspectral Image Segmentation with Markov Random Fields and a Convolutional Neural Network, Computer Vision and Pattern Recognition, arXiv preprint arXiv:1705.00727.
Duro, D., S. Franklin, and M. Dube, 2012. A comparison of pixel-based and object-based image analysis with selected machine learning algorithms for the classification of agricultural landscapes using SPOT-5 HRG Imagery, Remote Sensing of Environment, 118: 259-272.
Lee, H., R. Kang, K. Kim, G. Nam, M. Kwon, H. Song, S. Cheon, J. Lee, J. Yoon, I. Lee, and H. Lee, 2013. Estimating temporal and spatial variation of chlorophyll-a concentration from multi-spectral imagery in Nak-dong River basin, Water Quality Control Center, NEIR-RP2013-296 (in Korean with English abstract).
Li, Y., H. Zhang, and Q. Shen, 2017. Spectral-Spatial Classification of Hyperspectral Imagery with 3D Convolutional Neural Network, Remote Sensing, 9(1): 67.
Krizhevsky, A., I. Sutskever, and G. Hinton, 2012. Imagenet classification with deep convolutional neural networks, In Advances in neural information processing systems, 1097-1105.
Kim, H. and J. Yeom, 2012. A study on object-based image analysis methods for land cover classification in agricultural areas, Journal of the Korean Association of Geographic Information Studies, 15(4): 26-41 (in Korean with English abstract).
Makantasis, K., K. Karantzalos, A. Doulamis, and N. Doulamis, 2015. Deep supervised learning for hyperspectral data classification through convolutional neural networks, Proc. of 2015 In Geoscience and Remote Sensing Symposium (IGARSS), Milan, Italy, Jul. 26-31, pp. 4959-4962.
Ministry of Environment, 2016. Build a land cover map [7th] and improve the national environmental guidance system (in Korean with English abstract).
Petersson, H., D. Gustafsson, and D. Bergstrom, 2016. Hyperspectral image analysis using deep learning -A review. In Image Processing Theory Tools and Applications (IPTA), Proc. of 2016 6th International Conference, Oulu, Finland, Dec. 12-15, pp. 1-6.
Shine, J., T. Lee, P. Jung, and H. Kwon, 2015. A study on land cover map of UAV imagery using an object-based classification method, Journal of the Korean Society for Geospatial Information Science, 23(4): 25-33 (in Korean with English abstract).
※ AI-Helper는 부적절한 답변을 할 수 있습니다.