[논문]랜덤포레스트와 서포트벡터머신 기법을 적용한 포인트 클라우드와 실감정사영상을 이용한 객체분류

서홍덕; 김의명

doi:10.7848/ksgpc.2019.37.6.405

랜덤포레스트와 서포트벡터머신 기법을 적용한 포인트 클라우드와 실감정사영상을 이용한 객체분류
Object Classification Using Point Cloud and True Ortho-image by Applying Random Forest and Support Vector Machine Techniques 원문보기

한국측량학회지 = Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, v.37 no.6, 2019년, pp.405 - 416

서홍덕 (Department of Spatial Information Engineering, Namseoul University) , 김의명 (Department of Spatial Information Engineering, Namseoul University)

초록
AI-Helper

정보통신기술의 발달로 인하여 데이터의 생산과 처리 속도가 빨라지고 있다. 인공지능의 한 분야인 머신러닝을 이용하여 객체를 분류하기 위해, 학습에 필요한 데이터는 인터넷과 공간정보기술의 발달로 인하여 손쉽게 수집할 수 있게 되었다. 공간정보 분야에서도 머신러닝은 영상, 포인트 클라우드 등을 이용하여 객체를 분류 또는 인식하는 것에 적용되고 있다. 본 연구에서는 기 구축된 수치지도 버전 1.0을 활용하여 학습 데이터를 수동으로 구축하는 문제점을 개선하고 영상과 포인트 클라우드를 이용하여 도로, 건물, 식생을 분류하는 기법을 제안하였다. 실험을 통해서 RGB 밴드만을 갖고 있는 실감정사영상을 사용하였을 경우 색상을 뚜렷하게 구분할 수 있는 도로, 건물, 식생의 분류가 가능하였지만 색상이 유사한 경우에는 분류가 잘 되지 않는 한계를 확인할 수 있었다. 이를 개선하기 위해 실감정사영상과 정규수치표면모델을 밴드 퓨전한 후 랜덤포레스트와 서포트벡터머신 기법을 적용하였으며 이를 통해 85%이상의 정확도로 도로, 건물, 식생을 분류하였다.

Abstract ▼ AI-Helper

Due to the development of information and communication technology, the production and processing speed of data is getting faster. To classify objects using machine learning, which is a field of artificial intelligence, data required for training can be easily collected due to the development of internet and geospatial information technology. In the field of geospatial information, machine learning is also being applied to classify or recognize objects using images and point clouds. In this study, the problem of manually constructing training data using existing digital map version 1.0 was improved, and the technique of classifying roads, buildings and vegetation using image and point clouds were proposed. Through experiments, it was possible to classify roads, buildings, and vegetation that could clearly distinguish colors when using true ortho-image with only RGB (Red, Green, Blue) bands. However, if the colors of the objects to be classified are similar, it was possible to identify the limitations of poor classification of the objects. To improve the limitations, random forest and support vector machine techniques were applied after band fusion of true ortho-image and normalized digital surface model, and roads, buildings, and vegetation were classified with more than 85% accuracy.

주제어

표/그림 (25)

그림 Fig. 1. Research ﬂow chart
그림 Fig. 2. Flowchart of the generation of point cloud and true ortho-image
그림 Fig. 3. CSF Algorithm
그림 Fig. 4. Fusion of bands
표 Table 1. Standard layer codes for 1:5,000 digital map
그림 Fig. 5. Decision boundary of SVM
그림 Fig. 6. RF algorithm
그림 Fig. 7. Point cloud and true ortho-image
표 Table 2. Image size and GSD
표 Table 3. Accuracy of BBA using checkpoints
그림 Fig. 8. Ground and non-ground points
그림 Fig. 9. DEM, DSM and NDSM
그림 Fig. 10. Training data
그림 Fig. 11. Test data
그림 Fig. 12. Construction process of training data
표 Table 4. Number of training and test data
표 Table 5. Part of the training data built using RGB bands
표 Table 6. Part of training data built using fusion bands
표 Table 7. Classiﬁcation of SVM using RGB band
표 Table 8. Classiﬁcation of SVM using band fusion
표 Table 9. Classiﬁcation of RF using RGB band
표 Table 10. Classiﬁcation of RF using band fusion
그림 Fig. 13. Road classiﬁcation using SVM
그림 Fig. 14. Building classiﬁcation using SVM
그림 Fig. 15. Vegetation classiﬁcation using RF

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

이에 본 연구에서는 공간정보 분야에서 활용도가 높은 도로, 건물, 식생을 분류하기 위해 드론 영상을 이용하여 생성한 포인트 클라우드와 실감정사영상(true ortho-image)을 이용하여 객체를 분류할 수 있는 기법을 제안하는 것으로 객체 분류를 위해서 머신러닝 기법을 적용하고, 학습 데이터를 효율적으로 구축하기 위해서 국토지리정보원에서 제공하는 1:5,000 축척의 수치지도 버전 1.0을 활용하는 방안을 제시하는 것을 목적으로 하였다.

가설 설정

밴드 퓨전을 수행하기 위해 실감정사영상과 NDSM의 공간해상도는 동일하다고 가정한다(Daneshtalab and Rastiveis, 2017). 기존 실감정사영상은 RGB 3개의 밴드로 구성되어 있지만, Fig.
0 소프트웨어를 이용하였다. 수치지도와 객체분류에 사용할 포인트 클라우드와 실감정사영상 데이터는 시간 해상도가 유사하다고 가정한다.

제안 방법

BBA를 수행한 후 포인트 클라우드를 생성하기 위해서 조밀영상정합을 수행하였고 생성된 포인트 클라우드를 3D 메쉬로 만든 후 이를 이용하여 실감정사영상을 생성하였다. Fig.
Table 1의 수치지도 레이어 코드를 기반으로 학습 데이터와 평가 데이터를 추출하였으며, 추출한 데이터를 랜덤으로 학습 데이터(80%)와 평가 데이터(20%)로 나누었다. 또한, 평가 데이터는 속성 정보를 모두 NULL 타입으로 변경하여 실험을 통해 분류하였다.
구축된 학습 데이터를 이용하여 실감정사영상의 RGB 밴드를 이용하는 경우와 NDSM을 추가하여 밴드를 퓨전한 경우에 대해 SVM과 RF의 머신러닝 기법을 적용하여 실험 데이터 전체를 이용하여 객체를 분류한 후, 분류정확도에 대한 검증을 수행하였다.
9(c)와 같이 NDSM을 생성하였다. 다음으로 생성된 NDSM을 색상 정보에 대한 밴드만을 가진 실감정사영상에 추가하여 밴드 퓨전을 수행하였다.
도로, 건물, 식생을 분류하기 위해서 Table 1과 같이 도로 중심선, 건물, 지류계인 지형지물 표준 레이어 코드를 사용하였다. 도로를 분류하기 위해서 도로 중심선에서 버퍼 6m를 적용하여 편도 2차로의 도로가 포함되도록 하였다.
도로, 건물, 식생을 분류하기 위해서 Table 1과 같이 도로 중심선, 건물, 지류계인 지형지물 표준 레이어 코드를 사용하였다. 도로를 분류하기 위해서 도로 중심선에서 버퍼 6m를 적용하여 편도 2차로의 도로가 포함되도록 하였다. 건물 데이터는 (건물경계)미분류, 주택외건물, 주택, 연립주택, 아파트, 무벽건물,
1에 나타낸 것과 같이 먼저 분류하고자 하는 대상지역의 드론 영상을 이용하여 포인트 클라우드와 실감정사영상을 생성한다. 두 번째는 실감정사영상 제작을 위해서 선행적으로 생성하게 되는 중간 결과물인 포인트 클라우드는 지면과 비지면으로 분류한 후 지면이 0으로 정규화된 수치표면모델(NDSM : Normalized Digital Surface Model)을 생성한다.
드론을 이용하여 촬영된 702장의 영상에 대해 GNSS을 이용하여 측량한 9점의 지상기준점을 이용하여 번들블록조정(BBA : Bundle Block Adjustment)을 통해서 내 · 외부표정요소와 정합점의 3차원 좌표를 결정하였다.
Table 1의 수치지도 레이어 코드를 기반으로 학습 데이터와 평가 데이터를 추출하였으며, 추출한 데이터를 랜덤으로 학습 데이터(80%)와 평가 데이터(20%)로 나누었다. 또한, 평가 데이터는 속성 정보를 모두 NULL 타입으로 변경하여 실험을 통해 분류하였다.
본 연구는 드론 영상에서 포인트 클라우드와 실감정사영상 데이터를 만들고 이로 부터 도로, 건물, 식생을 머신러닝 기법인 SVM과 RF를 적용하여 분류하는 것으로 다음과 같은 결론을 도출하였다.
본 연구에서는 머신러닝을 이용하여 도로, 건물, 식생을 분류하기 위해서 드론을 이용하여 취득한 데이터를 활용하는 방법과 학습 데이터의 구축을 기존의 수치지도를 활용하는 방법을 Fig. 1과 같이 제안하였다.
본 연구에서는 실감정사영상의 RGB 밴드만 사용했을 경우와 포인트 클라우드를 통해 제작된 NDSM을 새로운 밴드로 추가하여 퓨전하였을 경우의 두 가지로 실험을 수행하였다. 이를 위해 학습 데이터도 실감정사영상의 RGB 밴드를 사용하는 경우와 NDSM을 퓨전하는 두 가지로 구축하였다.
세 번째는 실감정사영상의 RGB 밴드에 새로운 NDSM 밴드를 추가하여 퓨전을 수행한다. 네 번째로 머신러닝 기법을 적용하여 객체를 분류하기 위해서 분류의 대상이 되는 학습 데이터를 구축하는 것이 필요한데 이러한 학습 데이터는 1:5,000 축척의 수치지도 버전 1.
2에 나타낸 것과 같이 드론 영상에서 카메라의 내· 외부표정요소를 결정하기 위해서 입력된 모든 영상에 대해 SIFT(Scale Invariant Feature Transform) 알고리즘을 적용하여 특징점을 추출하고 에피폴라 영상을 생성한다. 스테레오 영상에 대해 에피폴라 기하를 적용하여 영상정합을 수행한 후 상호표정요소(relative orientation parameters)와 카메라의 내부표정요소(interior orientation parameters)를 추정한다. 추정된 내부표정요소와 상호표정요소를 이용하여 정합된 영상점에 대한 가상의 3차원 좌표를 생성하고 이를 이용하여 번들블록조정(bundle block adjustment)을 수행하여 카메라의 내 · 외부표정요소를 최종적으로 결정한다(Schonberger and Frahm, 2016).
, 2019). 이러한 문제점을 개선하기 위해서본 연구에서는 학습 데이터와 평가 데이터를 1:5,000 축척의 수치지도를 활용하여 구축하였으며 학습 데이터는 Fig. 10, 평가데이터는 Fig. 11과 같다.
포인트 클라우드와 실감정사영상 데이터를 이용하여 머신러닝 기법을 적용하여 도로, 건물, 식생을 분류하기 위해서는 학습 데이터를 구축해야 한다. 이를 위해 본 연구에서는 기 구축된 1:5,000 축척의 수치지도를 활용하였고 수치지도 편집을 위한 자료처리는 QGIS 3.2.0 소프트웨어를 이용하였다. 수치지도와 객체분류에 사용할 포인트 클라우드와 실감정사영상 데이터는 시간 해상도가 유사하다고 가정한다.
본 연구에서는 실감정사영상의 RGB 밴드만 사용했을 경우와 포인트 클라우드를 통해 제작된 NDSM을 새로운 밴드로 추가하여 퓨전하였을 경우의 두 가지로 실험을 수행하였다. 이를 위해 학습 데이터도 실감정사영상의 RGB 밴드를 사용하는 경우와 NDSM을 퓨전하는 두 가지로 구축하였다.
첫째, 드론 영상에서 도로, 건물, 식생을 머신러닝을 이용하여 분류하기 위해서 포인트 클라우드를 만들고 가공하여 NDSM을 생성한 후 실감정사영상과 밴드 퓨전을 수행한 후 기존의 수치지도를 활용하여 학습 데이터를 구축하는 새로운 방법론을 제시하였다.
추출한 수치지도의 객체와 702장의 영상을 이용하여 생성한 실감정사영상 및 NDSM을 퓨전한 두 영상을 중첩하여 Fig. 12와 같이 도로, 건물, 식생 클래스를 포함한 영역에 속하는 각 밴드의 평균, 최댓값, 최솟값, 표준편차를 이용하여 학습 데이터를 구축하였다.

대상 데이터

도로, 건물, 식생을 분류하기 위해 사용된 수치지도의 객체 수는 총 1,750개이며, 학습 및 실험 데이터에 사용된 각 클래스 별 데이터 수는 Table 4와 같다.
본 연구의 대상지는 충남 천안시에 소재한 성환읍 일대이며 DJI사의 Matrice 100 드론과 젠뮤즈(Zenmuse) X3 카메라를 이용하여 702장의 영상을 취득하였으며 촬영된 면적은 약 707m×1050m이다.

데이터처리

드론 영상의 자료처리는 Pix4D 소프트웨어를 이용하였다. 번들블록조정의 정확도는 8개의 검사점을 이용하여 Table 3과 같이 평균제곱근오차(RMSE: Root Mean Square Error)를 계산하였다. GSD를 고려할 때 수평위치는 약 2픽셀, 높이는 약 4픽셀의 오차가 발생하였으나 도로, 건물, 식생을 분류하기 위해서 사용한 1:5,000 수치지도의 오차를 고려하였을 때 양호한 산출물임을 알 수 있다(Choi et al.
분류정확도에 대한 검증은 평가 데이터 전체를 원본 수치지도와 비교하여 각 기법에 대하여 전체정확도, 원본 데이터와 분류 정확도의 척도를 나타내는 생산자 정확도와 분류된 데이터 중 실제 원본 데이터와 일치하는 척도를 나타내는 사용자 정확도와 Kappa 계수를 사용하였다. Kappa 계수란 두 데이터 간의 측정 범주 값에 대한 일치도를 나타내는 방법으로 Eq.
학습 데이터의 구축은 실감정사영상 또는 NDSM과 수치지도를 중첩하여 도로, 건물, 식생에 속하는 각 밴드의 평균, 최댓값, 최솟값, 표준편차를 이용하였다.

이론/모형

Fig. 2에 나타낸 것과 같이 드론 영상에서 카메라의 내· 외부표정요소를 결정하기 위해서 입력된 모든 영상에 대해 SIFT(Scale Invariant Feature Transform) 알고리즘을 적용하여 특징점을 추출하고 에피폴라 영상을 생성한다.
최근에는 소프트웨어의 가격과 자료처리의 효율성 등으로 인하여 컴퓨터 비전에 기반한 Pix4D, Photoscan, ContextCapture 등의 소프트웨어를 주로 이용하고 있다. 본 연구에서는 Pix4D를 이용하였으며 그 절차는 다음과 같다(Kim et al., 2017).
포인트 클라우드에서 NDSM을 생성하기 위해서는 건물, 수목 등이 포함되어 있는 비지면점을 제거하고 이를 보간하여 DEM(Digital Elevation Model)을 생성하여야 한다. 이를 위해 본 연구에서는 CSF(Cloth Simulation Filter)기법을 적용하여 지면점과 비지면점으로 분류하였다. CSF 기법은 Fig.
포인트 클라우드에서 지면점과 비지면점의 분류는 CSF 기법을 이용하였으며 분류 결과는 Fig. 8과 같다. 포인트 클라우드에서 지면점과 비지면점은 각각 23,283,170점(40.

성능/효과

14(c)는 밴드 퓨전을 수행한 결과이다. RGB 밴드의 경우 도로 및 식생을 건물로 분류하는 것을 확인할 수 있으며, 밴드 퓨전을 수행한 경우 도로를 건물로 추정하는 현상을 개선할 수 있었다.
13(c)는 밴드 퓨전을 수행한 결과를 나타낸다. RGB 밴드의 경우 도로의 대부분 지역에서 오분류가 나타난 반면 밴드 퓨전을 수행한 경우 정확도가 크게 향상된 것을 확인할 수 있다.
15(c)는 밴드 퓨전을 수행한 결과이다. RGB 밴드의 경우 오분류가 심한 것을 확인할 수 있으며, 밴드를 퓨전할 경우 분류의 정확도가 크게 향상된 것을 확인할 수 있다.
가 가능하였지만 색상이 유사한 경우에는 분류가 잘 되지 않는 한계를 확인할 수 있었으며 이를 보완하기 위해서 객체에대한 높이값의 정보를 갖고 있는 NDSM을 사용하는 것이 효율적이었다.
넷째, 실감정사영상과 NDSM을 밴드 퓨전한 후 SVM과 RF 기법을 이용하여 도로, 건물, 식생을 분류하였을 때, SVM 기법이 RF 기법보다 비교적 식생을 잘 추정하였으며, 높은 kappa 계수를 나타내었다. 또한, 두 기법 모두 객체를 구별할 수 있는 특징이 추가됨으로서 정확도 향상에 크게 기여하였다.
도로, 건물, 식생을 분류하기 위해서 밴드 퓨전한 데이터를 이용하여 머신러닝 기법인 RF 기법과 SVM 기법을 적용하였을 경우 Kappa 계수값이 각각 0.870과 0.914로 나타나 85% 이상의 분류정확도가 나타난 것을 알 수 있었다. 이와 같이 같은 데이터임에 불구하고 각 기법의 특징이 달라 진단이나 예측의 정확도가 차이가 날 수 있다(Park and Bae, 2019).
이를 좀 더 자세히 살펴보면 도로 객체 수가 19개이나 18개의 오분류가 발생하였으며, 건물은 309개 중에서 6개의 오분류가 발생하였다. 또한 식생 객체 수가 21개이나 7개의 오분류가 발생하여 전반적으로 분류 정확도가 낮게 나타났다.
넷째, 실감정사영상과 NDSM을 밴드 퓨전한 후 SVM과 RF 기법을 이용하여 도로, 건물, 식생을 분류하였을 때, SVM 기법이 RF 기법보다 비교적 식생을 잘 추정하였으며, 높은 kappa 계수를 나타내었다. 또한, 두 기법 모두 객체를 구별할 수 있는 특징이 추가됨으로서 정확도 향상에 크게 기여하였다. 그러나, 높은 식생이 밀집된 지역과 건물의 옥상면이 녹색인 경우는 색상과 높이값이 매우 유사하여 분류의 한계가 있었다.
셋째, 도로, 건물, 식생의 객체분류를 위해서 머신러닝 기법을 적용하기 위해서 기 구축된 1:5,000 수치지도를 활용하여 학습 데이터를 구축함으로써 수작업으로 학습 데이터를 구축하는 불편함을 해소할 수 있었다.
687로 나타나 SVM을 이용한 방법보다는 다소 높은 분류정확도를 보였다. 이를 좀 더 자세히 살펴보면, RF는 SVM에 비해 도로를 오분류한 경우가 1개, 건물을 오분류한 경우가 2개로 분류정확도가 높은 것을 알 수 있었고 식생은 21개 중에서 16개를 오분류하여 식생을 잘 구분하지 못한 것을 알 수 있었다. 오분류는 건물의 옥상면이 녹색인 경우 식생과 색상값이 매우 유사하여 발생하였다.
이에 반해 Table 10과 같이 밴드 퓨전을 수행한 데이터를 학습하고 RF 기법을 통해 도로, 건물, 식생을 분류한 경우 Kappa 계수가 0.870으로 나타나 RGB 밴드만을 사용할 때 보다 분류정확도가 향상되었다. 특히, 오분류가 심했던 식생의 분류를 크게 개선한 것을 알 수 있었다.
914로 분류정확도가 높은 것을 알 수 있다. 특히, 오분류가 심한 도로의 분류 정확도가 크게 개선되고 건물, 식생의 오분류도 개선된 것을 확인할 수 있다.
870으로 나타나 RGB 밴드만을 사용할 때 보다 분류정확도가 향상되었다. 특히, 오분류가 심했던 식생의 분류를 크게 개선한 것을 알 수 있었다.

후속연구

향후 머신러닝 기법인 SVM 및 RF는 딥러닝을 적용하기 전에 학습 데이터를 스스로 구축하여 객체를 분류할 때 주로 활용되는 방법이므로 다양한 학습 데이터가 구축될 경우 딥러닝 기법을 적용하여 객체분류를 수행하고 이를 비교분석하는 연구가 필요하다고 사료된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	머신러닝이란?	머신러닝은 인공지능의 한 분야로 데이터와 이 데이터로부터 기대되는 해답을 입력하여 규칙을 알아내는 것으로 이를 위해서는 입력된 데이터를 학습시키는 것이 중요하다. 공간정보 분야에서 머신러닝은 영상, 포인트 클라우드(point cloud) 등을 이용하여 객체를 분류 또는 인식하는 것에 적용되고 있다(Liu, 2015; Hong, 2017; Lee and Yom, 2018)
	RGB 밴드 기반의 객체 분류 연구들의 문제점은 무엇인가?	, 2019) 등이 수행되었다. 그러나 이러한 연구들은 RGB 밴드에 의존하여 객체를 분류하기 때문에 다양한 조명 조건 및 환경으로 인하여 오분류되는 결과가 발생할 수 있는 문제점이 있었다(Liu and Xia, 2010). 또한, 개별 화소를 객체분류의 기본 단위로 사용하기 때문에 노이즈가 민감하고, RGB (Red, Green, Blue) 밴드 기반 분류를 수행할 시 동일한 분류 내에서 큰 변동성을 발생시켜 낮은 분류정확도를 갖는 한계가 존재하였다(Schöpfer et al., 2010; Liu and Xia, 2010).
	공간정보 분야에서 머신러닝은 어떻게 적용되나?	머신러닝은 인공지능의 한 분야로 데이터와 이 데이터로부터 기대되는 해답을 입력하여 규칙을 알아내는 것으로 이를 위해서는 입력된 데이터를 학습시키는 것이 중요하다. 공간정보 분야에서 머신러닝은 영상, 포인트 클라우드(point cloud) 등을 이용하여 객체를 분류 또는 인식하는 것에 적용되고 있다(Liu, 2015; Hong, 2017; Lee and Yom, 2018)

참고문헌 (30)

Biamonte, J., Wittek, P., Pancotti, N., Rebentrost, P., Wiebe, N., and Lloyd, S. (2017), Quantum machine learning. Nature. Vol. 549, pp. 195-202.

상세보기
Cho, D.Y. and Kim, E.M. (2010), Extraction of spatial information of tree using LIDAR data in urban area. The Journal of Korean Society for Geospatial Information Science, Vol. 18, No. 4, pp. 11-20. (in Korean with English abstract)
Choi, S.P., Yang, I.T., and Cong, J.H. (2002), Evaluation of horizontal position accuracy of facilities in digital map. The Journal of Korean Society for Geospatial Information Science, Vol. 10, No. 4, pp. 95-103. (in Korean with English abstract)
Daneshtalab, S. and Rastiveis, H. (2017), Decision level fusion of orthophoto and LIDAR data using confusion matrix information for land cover classification, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLII-4/W4, 2017 Tehran's Joint ISPRS Conferences of GI Research, SMPR and EOEC 2017, 7-10 October, Tehran, Iran, pp. 59-64.
Feng, Q., Liu, J., and Gong, J. (2015), UAV remote sensing for urban vegetation mapping using random forest and texture. Remote Sensing, Vol. 7, No. 1, pp. 1074-1094.

상세보기
Han, S.H. (2016), Introduction to Photogrammetry and Remote Sensing, Goomibook, Seoul.
Hong, I.Y. (2017), Land use classification using LBSN(Location-Based Social Network) data and machine learning technique, Journal of the Korean Cartographic Association, Vol. 17, No. 3, pp. 59-67. (in Korean with English abstract)
Hong, S.P. and Kim, E.M. (2018), Classification of 3D road objects using machine learning. Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol. 36, No. 6, pp. 535-544. (in Korean with English abstract)
Jeong, D.H. and Jeong, W.T. (2019), Prediction of rolling noise based on machine learning technique using rail surface roughness data, Journal of the Korean Society for Railway, Vol. 22. No. 3, pp. 209-217. (in Korean with English abstract)

상세보기
Jo, W.H., Lim, Y.H., and Park, K.H. (2019), Deep learning based land cover classification using convolutional neural network: a case study of Korea. Journal of the Korean Geographical Society, Vol. 54, No. 1, pp. 1-16. (in Korean with English abstract)
Jonsson, Sigurbjorn. (2019), RGB and multispectral UAV image classification of agricultural fields using a machine learning algorithm, Master's thesis, Lund University, Lund, Sweden, 88p.
Jung, I.G., Sung, J.H., Lee, C.K., Kim, S.C., and Lee, Y.B. (2004), The prediction of spatial variability for soil information in Paddy field, Journal of Biosystems Engineering, Vol. 29, No. 1, pp. 65-70. (in Korean with English abstract)

원문보기 상세보기
Kim, G.M. and Choi, J.W. (2018), Detection of cropland in reservoir area by using supervised classification of UAV imagery based on GLCM. Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol. 36, No. 6, pp. 433-442. (in Korean with English abstract)
Kim, E.M., Cho, H.S., and Park, J.H. (2017), Analysis of applicability of orthophoto using 3D mesh on aerial image with large file size, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol. 35, No. 3, pp. 155-166. (in Korean with English abstract)
Kim, J.K., Lee, K.B., and Hong, S.G. (2017), ECG-based biometric authentication using random forest. Journal of the Institute of Electronics and Information Engineers, Vol. 54, No. 6, pp. 100-105. (in Korean with English abstract)
Kwon, S.K., Lee, Y.S., Kim, D.S., and Jung, H.S. (2019), Classification of forest vertical structure using machine learning analysis, Korean Journal of Remote Sensing, Vol. 35, No. 2, pp. 229-239. (in Korean with English abstract)
Lee, G.W. and Yom, J.H. (2018), Design and implementation of web-based automatic preprocessing system of remote sensing imagery for machine learning modeling. The Journal of Korean Society for Geospatial Information Science, Vol. 26, No. 1, pp. 61-67. (in Korean with English abstract)
Liu, D. and Xia, F. (2010), Assessing object-based classification: advantages and limitations, Remote Sensing, Vol. 1, No. 4, pp. 187-194.
Liu, P. (2015), A survey of remote-sensing big data. Frontiers in Environmental Science, Vol. 3, No. 45, pp. 1-6.
Park, G.M. and Bae, Y.C. (2019), Performance comparison of machine learning in the various kind of prediction. The Journal of the Korea Institute of Electronic Communication Sciences, Vol. 14, No. 1, pp. 169-178. (in Korean with English abstract)
Park, H.K. and Lee, D.K. (2019), Disaster prediction and policy simulation for evaluating mitigation effects using machine learning and system dynamics: case study of seasonal drought in gyeonggi province. Journal of the Korean Society of Hazard Mitigation, Vol. 19, No. 1, pp. 45-53. (in Korean with English abstract)
Park, S., Kim, K.J., Lee, J.S., and Lee, S.R. (2011), Red tide prediction using neural network and SVM, The Institute of Electronics Engineers of Korea-Signal Processing, Vol. 48. No. 5, pp. 39-45. (in Korean with English abstract)
Schonberger, J.L. and Frahm, J.M. (2016), Structure-from-motion revisited. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, CVPR, 27-30 June, Las Vegas, USA, pp. 4104-4113.
Schopfer, E., Lang, S., and Strobl, J. (2010), Segmentation and object-based image analysis. Remote sensing of urban and suburban areas, Vol. 10, pp. 181-192.
Wang, C. and Li, Z. (2016), Weed recognition using SVM model with fusion height and monocular image features. Transactions of the Chinese Society of Agricultural Engineering, Vol. 32, No. 15, pp. 181-192.
Wikipedia. (2019), Random forest, Wikimedia Foundation, Inc., URL: https://en.wikipedia.org/wiki/Random_forest(last date accessed: 26 June 2019).
Yamamoto, K., Guo, W., Yoshioka, Y., and Ninomiya, S. (2014). On plant detection of intact tomato fruits using image analysis and machine learning methods. Sensors, Vol. 14, No. 7, pp. 12191-12206.

상세보기
Yu, B.H., P, H.C., and Lee, S.M. (2019), Improvement of randomforest OBIA algorithm for tree anomaly detection in UAV imagery: Focused on the Birobong-Peak Area of Sobaeksan National Park. The Korean Society of Environment and Ecology, 26 April, Wonju, Korea, pp. 54-54.
Yun, T.G. and Yi, G.S. (2008), Application of random forest algorithm for the decision support system of medical diagnosis with the selection of significant. The transactions of The Korean Institute of Electrical Engineers, Vol. 57, No. 6, pp. 1058-1062. (in Korean with English abstract)
Zhang, W., Qi, J., Wan, P., Wang, H., Xie, D., Wang, X., and Yan, G. (2016), An easy-to-use airborne LiDAR data filtering method based on cloth simulation, Remote Sensing, Vol. 8, No. 6, pp. 501.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증