[논문]전이학습과 딥러닝 네트워크를 활용한 고해상도 위성영상의 변화탐지

송아람; 최재완; 김용일

doi:10.7848/ksgpc.2019.37.3.199

전이학습과 딥러닝 네트워크를 활용한 고해상도 위성영상의 변화탐지
Change Detection for High-resolution Satellite Images Using Transfer Learning and Deep Learning Network 원문보기

한국측량학회지 = Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, v.37 no.3, 2019년, pp.199 - 208

송아람 (Dept. of Civil and Environmental Engineering, Seoul National University) , 최재완 (School of Civil Engineering, Chungbuk National University) , 김용일 (Dept. of Civil and Environmental Engineering, Seoul National University)

초록
AI-Helper

운용 가능한 위성의 수가 증가하고 기술이 진보함에 따라 영상정보의 성과물이 다양해지고 많은 양의 자료가 축적되고 있다. 본 연구에서는 기구축된 영상정보를 활용하여 부족한 훈련자료의 문제를 극복하고 딥러닝(deep learning) 기법의 장점을 활용하고자 전이학습과 변화탐지 네트워크를 활용한 고해상도 위성영상의 변화탐지를 수행하였다. 본 연구에서 활용한 딥러닝 네트워크는 공간 및 분광 정보를 추출하는 합성곱 레이어(convolutional layer)와 시계열 정보를 분석하는 합성곱 장단기 메모리 레이어(convolutional long short term memory layer)로 구성되었으며, 고해상도 다중분광 영상에 최적화된 정보를 추출하기 위하여 커널(kernel)의 차원에 따른 정확도를 비교하였다. 또한, 학습된 커널 정보를 활용하기 위하여 변화탐지 네트워크의 초기 합성곱 레이어를 고해상도 항공영상인 ISPRS (International Society for Photogrammetry and Remote Sensing) 데이터셋에서 추출된 40,000개의 패치로 학습된 값으로 초기화하였다. 다시기 KOMPSAT-3A (KOrean Multi-Purpose SATllite-3A) 영상에 대한 실험 결과, 전이학습과 딥러닝 네트워크를 활용할 경우 기복 변위 및 그림자 등으로 인한 변화에 덜 민감하게 반응하며 분류 항목이 달라진 지역의 변화를 보다 효과적으로 추출할 수 있었으며, 2차원 커널보다 3차원 커널을 사용할 때 변화탐지의 정확도가 높았다. 3차원 커널은 공간 및 분광정보를 모두 고려하여 특징 맵(feature map)을 추출하기 때문에 고해상도 영상의 분류뿐만 아니라 변화탐지에도 효과적인 것을 확인하였다. 본 연구에서는 고해상도 위성영상의 변화탐지를 위한 전이학습과 딥러닝 기법의 활용 가능성을 제시하였으며, 추후 훈련된 변화탐지 네트워크를 새롭게 취득된 영상에 적용하는 연구를 수행하여 제안기법의 활용범위를 확장할 예정이다.

Abstract ▼ AI-Helper

As the number of available satellites increases and technology advances, image information outputs are becoming increasingly diverse and a large amount of data is accumulating. In this study, we propose a change detection method for high-resolution satellite images that uses transfer learning and a deep learning network to overcome the limit caused by insufficient training data via the use of pre-trained information. The deep learning network used in this study comprises convolutional layers to extract the spatial and spectral information and convolutional long-short term memory layers to analyze the time series information. To use the learned information, the two initial convolutional layers of the change detection network are designed to use learned values from 40,000 patches of the ISPRS (International Society for Photogrammertry and Remote Sensing) dataset as initial values. In addition, 2D (2-Dimensional) and 3D (3-dimensional) kernels were used to find the optimized structure for the high-resolution satellite images. The experimental results for the KOMPSAT-3A (KOrean Multi-Purpose SATllite-3A) satellite images show that this change detection method can effectively extract changed/unchanged pixels but is less sensitive to changes due to shadow and relief displacements. In addition, the change detection accuracy of two sites was improved by using 3D kernels. This is because a 3D kernel can consider not only the spatial information but also the spectral information. This study indicates that we can effectively detect changes in high-resolution satellite images using the constructed image information and deep learning network. In future work, a pre-trained change detection network will be applied to newly obtained images to extend the scope of the application.

주제어

표/그림 (9)

그림 Fig. 1. The example of ISPRS 2D Semantic Labelling Challenge datasets (http://www2.isprs.org/commissions/comm3/wg4/semantic-labeling.html)
그림 Fig. 2. Two study sites with multi-temporal KOMPSAT-3A CIR (Color InfraRed) imagery; site 1 acquired at times (a) T₁ , (b) T₂ and site 2 acquired at times (c)T₁, (d) T₂
그림 Fig. 3. The framework of transfer learning and change detection network
그림 Fig. 4. Comparison of (a) 2D and (b) 3D (three-dimensional) convolution operation (Song, 2019)
그림 Fig. 5. The fully convolutional network for multi-spectral image classiﬁcation
그림 Fig. 6. Change detection maps obtained from the proposed method and other methods for site 1 (a) PCA with SVM, (b) fully connected LSTM, (c) CD network with 2d kernel, (d) CD network with 3d kernel, and (e) ground truth (white color represents changed areas and black color represents unchanged areas)
그림 Fig. 7. Change detection maps obtained from the proposed method and other methods for site 2 (a) PCA with SVM, (b) fully connected LSTM, (c) CD network with 2d kernel, (d) CD network with 3d kernel, and (e) ground truth (white color represents changed areas and black color represents unchanged areas)
그림 Fig. 8. The enlarged images of the change detection results (a) site 1-A, (b) site 1-B, (c) site 1-C, and (d) site 2-A (white color represents changed areas and black color represents unchanged areas)
표 Table 1. Accuracy comparison of change detection results on site 1 and site 2

AI 본문요약
AI-Helper

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

문제 정의

또한 본 연구에서 사용한 변화탐지 기법의 효율성을 비교하기 위하여 PCA (Principal Component Analysis)와 SVM (Support Vector Machine)을 활용한 기법, fully connected LSTM에 의한 변화탐지 결과를 비교하였고, 변화탐지 및 분류 네트워크에 각각 2차원과 3차원을 커널을 적용한 결과를 비교분석 하였다. PCA를 통한 변화탐지는 n1, n2개의 밴드를 갖는 다시기 영상을 n1+n2개의 밴드를 갖는 하나의 영상으로 만든 뒤, PCA를 수행하여 생성된 주성분을 활용하여 감독 및 무감독 기반으로 변화지역을 추출하는데 (Deng et al., 2008), 본 연구에서는 감독기반으로 수행된 제안기법과의 비교를 위하여 추출된 주성분 영상에 SVM을 적용하여 변화탐지를 수행하였다. Fully connected LSTM의 경우, Lyu et al.
따라서 본 연구에서는 부족한 훈련자료의 한계를 극복하고자 전이학습(transfer learning)을 통하여 기구축된 고해상도 항공 영상으로 학습된 정보를 활용하였으며, 고해상도 영상의 변화탐지를 위한 최신 딥러닝 네트워크의 적용가능성을 평가하고자 커널의 차원에 따른 변화탐지 네트워크 성능을 분석하였다.
고해상도 다중분광 영상을 대상으로 학습한 정보를 저해상도 초분광영상에 적용한 전이학습을 적용하여 변화탐지 정확도를 개선한 선행 연구가 있었으나(Song, 2019), 소스(source) 영상과 타겟(target) 영상의 분류 항목, 해상도 등의 차이가 큰 한계가 있었다. 본 연구에서는 고해상도 다중분광 위성영상의 효과적인 변화탐지를 위하여 분광 및 공간해상도가 유사한 고해상도 항공 영상을 활용함으로써 부족한 훈련자료의 한계를 극복하였으며, 커널의 차원에 따른 네트워크의 성능을 평가하고자 하였다.
본 연구에서는 고해상도 영상의 변화탐지를 위한 최신 딥러닝 네트워크의 적용가능성을 평가하고자 전이학습과 커널의 차원에 따른 변화탐지 네트워크 성능을 분석하였다. KOMPSAT-3A와 공간해상도 및 분광해상도가 유사한 ISPRS 데이터셋에 대하여 분류네트워크를 학습시켰으며, 학습된 파라미터를 변화탐지 네트워크에 초기값으로 활용하는 전이학습을 수행하였다.
본 연구에서는 부족한 훈련자료의 한계를 극복하고자, 많은 양의 데이터셋에서 훈련된 네트워크의 파라미터를 변화 탐지 네트워크에 활용하는 전이학습을 수행하였다. 전이학습을 위해 사용된 영상 자료는 ISPRS 2D (two-dimensional) Semantic Labelling Challenge의 Potsdam 지역의 영상으로 가시광-근적외선 영역에서 취득한 총 4개의 밴드와 영상에 따른 6개의 항목(불투수면(impervious surface), 건물(building), 나무(tree), 적은 식생(low vegetation), 자동차(car), 배경(background))으로 분류된 참조 지도를 제공 한다(Fig.
이때 입력 영상의 내부의 패치들로 학습을 진행되기 때문에 훈련자료의 수와 다양성이 부족한 문제가 존재한다. 본 연구에서는 이러한 문제를 해결하기 위하여 합성곱 레이어의 무작위 초기화 대신, 많은 양의 영상 자료로 학습된 값으로 초기화하여 부족한 훈련자료의 한계를 극복하고 효율적으로 특징맵을 추출하기 위한 전이학습을 수행하였다. 초기값 설정방법에 따라 네트워크의 예측 정확도가 향상될 수 있기 때문에 적절한 초기값을 설정하는 것은 매우 중요하다(Liu et al.

제안 방법

5와 같다. FCN에 학습된 정보를 변화탐지 네트워크에 적용하기 위해서는 커널의 크기가 동일해야하기 때문에 2차원과 3차원 커널을 사용한 두 개의 FCN을 정의하였다. FCN의 낮은 계층일수록 모서리나 곡선 같은 일반적인 특징을 추출하기 때문에 영상의 해상도에 크게 영향을 받지 않고 전이학습을 수행할 수 있다(Song, 2019).
본 연구에서는 고해상도 영상의 변화탐지를 위한 최신 딥러닝 네트워크의 적용가능성을 평가하고자 전이학습과 커널의 차원에 따른 변화탐지 네트워크 성능을 분석하였다. KOMPSAT-3A와 공간해상도 및 분광해상도가 유사한 ISPRS 데이터셋에 대하여 분류네트워크를 학습시켰으며, 학습된 파라미터를 변화탐지 네트워크에 초기값으로 활용하는 전이학습을 수행하였다. 또한 커널의 차원에 따른 변화탐지 성능을 분석하기 위하여 합성곱 레이어에 2차원 및 3차원 커널을 사용한 결과를 비교하였다.
FCN의 낮은 계층일수록 모서리나 곡선 같은 일반적인 특징을 추출하기 때문에 영상의 해상도에 크게 영향을 받지 않고 전이학습을 수행할 수 있다(Song, 2019). 따라서 본 연구에서는 변화탐지 네트워크의 초기 두 개의 합성곱 레이어를 ISPRS 데이터셋으로 학습된 FCN의 파라미터로 초기화하는 작업을 수행하였다.
변화탐지의 성능은 전체정확도, Kappa 계수, 생산자정확도(PA: Producer’s Accuracy), 사용자정확도(UA: User’s Accuracy)를 통해 검증하였다. 또한 본 연구에서 사용한 변화탐지 기법의 효율성을 비교하기 위하여 PCA (Principal Component Analysis)와 SVM (Support Vector Machine)을 활용한 기법, fully connected LSTM에 의한 변화탐지 결과를 비교하였고, 변화탐지 및 분류 네트워크에 각각 2차원과 3차원을 커널을 적용한 결과를 비교분석 하였다. PCA를 통한 변화탐지는 n1, n2개의 밴드를 갖는 다시기 영상을 n1+n2개의 밴드를 갖는 하나의 영상으로 만든 뒤, PCA를 수행하여 생성된 주성분을 활용하여 감독 및 무감독 기반으로 변화지역을 추출하는데 (Deng et al.
KOMPSAT-3A와 공간해상도 및 분광해상도가 유사한 ISPRS 데이터셋에 대하여 분류네트워크를 학습시켰으며, 학습된 파라미터를 변화탐지 네트워크에 초기값으로 활용하는 전이학습을 수행하였다. 또한 커널의 차원에 따른 변화탐지 성능을 분석하기 위하여 합성곱 레이어에 2차원 및 3차원 커널을 사용한 결과를 비교하였다. 실험결과, 전이학습과 딥러닝 네트워크를 활용한 변화탐지 기법이 기존의 PCA-SVM, fully connected LSTM 기법들 보다 높은 정확도를 보였으며, 특히 딥러닝 기법들은 기복변위, 그림자 등으로 인한 변화를 비변화지역으로 분류할 수 있었다.
변화탐지의 성능은 전체정확도, Kappa 계수, 생산자정확도(PA: Producer’s Accuracy), 사용자정확도(UA: User’s Accuracy)를 통해 검증하였다.
0173(실험지역 2) 상승하였다. 본 연구에서 제안한 기법을 통하여 고해상도 영상의 변화지역을 효과적으로 추출하였으나, 제안 기법은 ISPRS 데이터셋의 자체 정확도 문제, ISPRS 영상과 변화탐지 영상의 분류 항목 및 해상도의 차이로 발생하는 문제 등을 포함하고 있다. 또한 3차원 커널을 사용할 경우, 공간 뿐 만 아니라 분광 특성의 변화를 고려한 변화탐지를 수행할 수 있었으나, 효율적인 변화탐지를 위해서는 ‘변화’의 기준이 되는 분광특성의 차이를 설정하는 것이 중요하며 그에 따른 변화의 대상과 범위를 고려해야 한다.
본 연구에서 활용한 변화탐지 네트워크의 합성곱 레이어는 다시기 영상에서 각각 유의미한 특징맵을 추출하며, 합성곱 LSTM 레이어에서 특징맵들의 시계열 정보를 분석하여 변화탐지를 수행한다. 변화탐지 네트워크는 입력 영상을 5×5×h(h는 입력 영상의 밴드 수)로 나눈 3차원 패치를 사용하여 학습을 수행한다.
본 연구에서는 변화탐지를 위하여 공간 및 분광정보를 추출하는 합성곱 레이어와 시계열 데이터를 분석하는 합성곱 LSTM 레이어를 합성한 구조를 사용 하였으며(Song et al., 2018), 네트워크 끝단에 완전 연결 레이어(fully connected layer) 대신 합성곱 레이어를 배치함으로써 입력영상의 2차원 구조를 유지하고 영상의 크기에 상관없는 FCN (Fully Convolutional Network) 구조를 사용하였다.
본 연구에서는 전이학습과 딥러닝 네트워크를 사용하여 변화탐지를 수행하였으며, 연구의 전체 흐름은 Fig. 3과 같다. 고해상도 다중분광 영상을 대상으로 학습한 정보를 저해상도 초분광영상에 적용한 전이학습을 적용하여 변화탐지 정확도를 개선한 선행 연구가 있었으나(Song, 2019), 소스(source) 영상과 타겟(target) 영상의 분류 항목, 해상도 등의 차이가 큰 한계가 있었다.
전이학습과 3차원 커널을 사용한 딥러닝 네트워크의 경우, 두 실험지역에서 가장 높은 정확도를 보였으며 (OA_site1=93.43%, Kappa_site1=0.7458; OA_site2=98.23%, Kappa_site2=0.8702), 분류 항목이 변화된 화소를 중심으로 변화탐지를 수행하였다. 그러나 실험지역 1의 상단부의 돔(dome)건축물 증축으로 인한 변화지역에서 오분류가 발생하였는데(Fig.
, 2018). 전이학습을 수행하기 위하여 우선 ISPRS 데이터셋에 대하여 화소기반 분류를 수행하는 FCN을 정의하였으며 구조는 Fig. 5와 같다. FCN에 학습된 정보를 변화탐지 네트워크에 적용하기 위해서는 커널의 크기가 동일해야하기 때문에 2차원과 3차원 커널을 사용한 두 개의 FCN을 정의하였다.
본 연구에서는 부족한 훈련자료의 한계를 극복하고자, 많은 양의 데이터셋에서 훈련된 네트워크의 파라미터를 변화 탐지 네트워크에 활용하는 전이학습을 수행하였다. 전이학습을 위해 사용된 영상 자료는 ISPRS 2D (two-dimensional) Semantic Labelling Challenge의 Potsdam 지역의 영상으로 가시광-근적외선 영역에서 취득한 총 4개의 밴드와 영상에 따른 6개의 항목(불투수면(impervious surface), 건물(building), 나무(tree), 적은 식생(low vegetation), 자동차(car), 배경(background))으로 분류된 참조 지도를 제공 한다(Fig. 1). 학습에 사용된 영상은 6000 × 6000 화소로 구성되어 있으며, 공간해상도는 5cm 이다.

대상 데이터

변화탐지에 사용된 영상은 2015년 10월(T₁)과 2018년 7월(T₂)에 취득된 대전광역시 죽동 국가산업단지 일대의 KOMPSAT-3A 영상으로, 두 영상에는 계절의 차이에 따른 식생 분포의 변화, 건물의 신축 등으로 인한 시가지역의 변화가 존재한다. KOMPSAT-3A의 공간해상도는 0.
참조 지도에서 총 250,000개의 화소를 무작위로 추출하여 훈련자료로 사용하였으며, 모든 기법에서 동일한 개수의 훈련자료를 사용하였다. 특히 실험에 활용된 딥러닝 네트워크 실행 시, Epoch(3000), Learning rate(0.
총 38개의 패치(patch) 중 참조 지도가 구축된 24개의 영상을 사용하였으며, 연산효율을 위하여 30 × 30 화소로 구성된 총 40,000개의 패치를 저장하고 이를 학습에 사용하였다.
학습에 사용된 영상은 6000 × 6000 화소로 구성되어 있으며, 공간해상도는 5cm 이다.

이론/모형

20m(다중분광 영상)이며, 가시광영역에서 근적외선 영역에 이르는 총 5개의 밴드로 구성된다. 또한, 공간해상도가 향상된 영상으로 실험을 진행하기 위하여 전처리단계에서 NDVI (Normalized Difference Vegetation Index)기반 Hybrid pan-sharpening 기법(Choi et al., 2017)을 적용하였다. 실험지역 1(site 1)과 실험지역 2(site 2)의 영상은 Fig.

성능/효과

PCA-SVM의 경우 해당지역의 화소를 대부분 변화항목으로 분류하였으나, 딥러닝 기법들은 비변화 항목으로 분류하는 경향을 보였다. Fully connected LSTM의 경우, PCA-SVM보다 높은 정확도를 보였으나 합성곱 레이어를 적용한 변화탐지 네트워크 보다 낮은 정확도를 나타냈다 (OA_site1=89.26%, Kappa_site1=0.5969; OA_site297.71%, Kappa_site2=0.8293). 이는 LSTM의 경우 계산 과정에서 주변화소와의 관계는 고려하지 않기 때문에 2차원 공간정보를 제대로 반영하지 못할 가능성이 있기 때문이다.
실험지역 1은 주로 식생, 건물 등의 분류 항목의 변화가 많았고, 실험지역 2는 분류 항목 자체의 변화보다는 기복변위 및 지붕 색깔 등으로 인한 변화가 발생한 곳이다. 실험결과, 전반적으로 실험지역 1보다 실험지역 2의 정확도가 높게 나타났으며, 두 실험지역에서 딥러닝 기반의 변화탐지 기법이 PCA-SVM 기법보다 OA와 Kappa계수가 높았다. PCA-SVM의 경우, 실험지역 1에서는 주요 변화지역을 비교적 잘 추출하였으나 (PA_site1=65.
또한 커널의 차원에 따른 변화탐지 성능을 분석하기 위하여 합성곱 레이어에 2차원 및 3차원 커널을 사용한 결과를 비교하였다. 실험결과, 전이학습과 딥러닝 네트워크를 활용한 변화탐지 기법이 기존의 PCA-SVM, fully connected LSTM 기법들 보다 높은 정확도를 보였으며, 특히 딥러닝 기법들은 기복변위, 그림자 등으로 인한 변화를 비변화지역으로 분류할 수 있었다. 또한 3차원 커널을 사용할 경우 2차원 커널을 사용할 때 보다 OA와 Kappa계수가 각각 1.

후속연구

또한 3차원 커널을 사용할 경우, 공간 뿐 만 아니라 분광 특성의 변화를 고려한 변화탐지를 수행할 수 있었으나, 효율적인 변화탐지를 위해서는 ‘변화’의 기준이 되는 분광특성의 차이를 설정하는 것이 중요하며 그에 따른 변화의 대상과 범위를 고려해야 한다. 추후 실험 영상과 ISPRS 데이터셋의 분광 및 공간해상도의 차이를 최소화하는 실험을 통하여 전이학습의 정확도를 향상시키는 실험을 진행할 예정이며, 학습된 변화정보를 새롭게 취득된 영상에 적용하는 실험을 통하여 제안 기법의 활용가능성을 증명할 계획이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	고해상도 영상의 변화탐지 기법 중 객체기반 변화탐지의 특징은 무엇인가?	그러나 객체기반 변화탐지의 경우 유의미하지만 작은 객체를 고려하지 못할 가능성이 있고 객체의 크기를 결정하는 최적의 스케일 파라미터(scale parameter)들이 영상에 따라 달라질 수 있기 때문에 다시기 영상에서 일관된 크기의 객체를 추출하기 어렵다. 또한 객체 분할 과정에서 과분할 오류(oversegmentation error) 및 미분할 오류(under-segmentation error)가 발생할 수 있다(Hussian et al., 2013).
	변화탐지란 무엇인가?	변화탐지는 원격탐사의 주요 연구 분야이며, 서로 다른 시기에 취득된 영상을 이용하여 동일한 지역에서 발생한 공간 및 분광 변화를 분석하여 자연재해로 인한 피해지역 검출, 식생 및 도심지 모니터링 등에 활용되는 기술이다(Han et al., 2017; Yu et al.
	CNN의 단점은 무엇인가?	, 2019). 그러나 CNN은 구조 내에서 시계열 정보를 처리할 수 없기 때문에 end-to-end 방식, 즉 자료변환 및 후 분류 작업과 같은 전·후처리를 수행하지 않고 네트워크의 학습만으로 변화를 추출할 수 없다는 단점이 있다.

참고문헌 (25)

Choi, J. (2015), Unsupervised change detection for very high-spatial resolution satellite imagery by using object-based IR-MAD algorithm, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol. 33, No. 4, pp. 297-304. (in Korean with English abstract)

원문보기 상세보기
Choi, J., Kim, G., Park, N., Park, H., and Choi, S. (2017), A hybrid pansharpening algorithm of VHR satellite images that employs injection gains based on NDVI to reduce computational costs, Remote Sensing, Vol. 9, No. 10. pp. 976.

상세보기
Chung, M., Han, Y., Choi, J., and Kim, Y. (2018), Optimal parameter analysis and evaluation of change detection for SLIC-based superpixel techniques using KOMPSAT Data, Korean Journal of Remote Sensing, Vol. 34, No. 6_3, pp. 1427-1443. (in Korean with English abstract)
Dellinger, F., Delon, J., Gousseau, Y., Michel, J., and Tupin, F. (2014), Change detection for high resolution satellite images, based on SIFT descriptors and an a contrario approach, In 2014 IEEE Geoscience and Remote Sensing Symposium 2014, 13-18 July, Quebec, Canada, pp. 1281-1284.
Deng, J.S., Wang, K., Deng, Y.H., and Qi, G.J. (2008), PCA-based land-use change detection and analysis using multitemporal and multisensor satellite data, International Journal of Remote Sensing, Vol. 29, No. 16, pp. 4823-4838.

상세보기
Han, Y., Kim, T., Han, S., and Song, J. (2017), Change detection of urban development over large area using KOMPSAT optical imagery, Korean Journal of Remote Sensing, Vol. 33, No. 6-3, pp. 1223-1232. (in Korean with English abstract)
Hussain, M., Chen, D., Cheng, A., Wei, H., and Stanley, D. (2013), Change detection from remotely sensed images: from pixel-based to object-based approaches, ISPRS Journal of photogrammetry and remote sensing, Vol. 80, pp. 91-106.

상세보기
Jeong, J. (2005), Developments of urban change detection methods according to spatial resolution of satellite images -application of KOMPSAT 1 images into urban area-, The Geographical Journal of Korea, Vol. 39, No. 1, pp. 161-170. (in Korean with English abstract)
Ji, S., Zhang, C., Xu, A., Shi, Y., and Duan, Y. (2018), 3D convolutional neural networks for crop classification with multi-temporal remote sensing images, Remote Sensing, Vol. 10, No. 1, pp. 75.

상세보기
Lim, K., Jin, D., and Kim, C.S. (2018), Change detection in high resolution satellite images using an ensemble of convolutional neural networks, In 2018 Asia-Pacific Signal and Information Processing Association Annual Summit and Conference (APSIPA ASC), 12-15 November, Honolulu, Hawaii, USA, pp. 509-515.
Li, Y., Zhang, H., Xue, X., Jiang, Y., and Shen, Q. (2018), Deep learning for remote sensing image classification: A survey, Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, Vol. 8, No. 6, pp. e1264.
Liu, B., Yu, X., Yu, A., and Wan, G. (2018), Deep convolutional recurrent neural network with transfer learning for hyperspectral image classification, Journal of Applied Remote Sensing, Vol. 12, No. 2, pp. 026028.
Lyu, H., Lu, H., and Mou, L. (2016), Learning a transferable change rule from a recurrent neural network for land cover change detection, Remote Sensing, Vol. 8, No. 6, pp. 506.

상세보기
Mei, S., Yuan, X., Ji, J., Zhang, Y., Wan, S., and Du, Q. (2017), Hyperspectral image spatial super-resolution via 3D full convolutional neural network, Remote Sensing, Vol. 9, No. 11, pp. 1139.

상세보기
Mou, L., Bruzzone, L., and Zhu, X.X. (2019), Learning spectral-spatial-temporal features via a recurrent convolutional neural network for change detection in multispectral imagery, IEEE Transactions on Geoscience and Remote Sensing, Vol. 57, No. 2, pp. 924-935.

상세보기
Song, A., Choi, J., Han, Y., and Kim, Y. (2018), Change detection in hyperspectral images using recurrent 3D fully convolutional networks, Remote Sensing, Vol. 10, No. 11, pp. 1827.

상세보기
Song, A. (2019), A Novel Deep Learning Framework for Multi-Class Change Detection of Hyperspectral Images, Doctoral Thesis, Seoul National University, Seoul, Korea, 137p.
Tan, K., Zhang, Y., Wang, X., and Chen, Y. (2019), Object-based change detection using multiple classifiers and multi-scale uncertainty analysis, Remote Sensing, Vol. 11, No. 3, pp. 359.

상세보기
Wang, W., Dou, S., Jiang, Z., and Sun, L. (2018), A fast dense spectral-spatial convolution network framework for hyperspectral images classification, Remote Sensing, Vol. 10, No. 7, pp. 1068.

상세보기
Wang, Q., Yuan, Z., Du, Q., and Li, X. (2018), Getnet: A general end-to-end 2-d CNN framework for hyperspectral image change detection, IEEE Transactions on Geoscience and Remote Sensing, Vol. 57, No. 1, pp. 3-13.
Wang, Q., Zhang, X., Chen, G., Dai, F., Gong, Y., and Zhu, K. (2018), Change detection based on Faster R-CNN for high-resolution remote sensing images, Remote sensing letters, Vol. 9, No. 10, pp. 923-932.

상세보기
Wiratama, W., Lee, J., Park, S. E., and Sim, D. (2018), Dual-dense convolution network for change detection of high-resolution panchromatic imagery, Applied Sciences, Vol. 8, No. 10, pp. 1785.

상세보기
Xingjian, S.H.I., Chen, Z., Wang, H., Yeung, D.Y., Wong, W.K., and Woo, W.C. (2015), Convolutional LSTM network: A machine learning approach for precipitation nowcasting, In Advances in Neural Information Processing Systems, 7-12 December, Montreal, Canada, pp. 802-810.
Yu, H., Yang, W., Hua, G., Ru, H., and Huang, P. (2017), Change detection using high resolution remote sensing images based on active learning and markov random fields, Remote Sensing, Vol. 9, No. 12, pp. 1233.

상세보기
Zhang, C., Wei, S., Ji, S., and Lu, M. (2019), Detecting large-scale urban land cover changes from very high resolution remote sensing images using CNN-based classification, ISPRS International Journal of Geo-Information, Vol. 8, No. 4, pp. 189.

상세보기

저자의 다른 논문 :

LOADING...

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