[논문]잘피 서식지 모니터링을 위한 딥러닝 기반의 드론 영상 의미론적 분할

전의익; 김성학; 김병섭; 박경현; 최옥인

doi:10.7780/kjrs.2020.36.2.1.8

잘피 서식지 모니터링을 위한 딥러닝 기반의 드론 영상 의미론적 분할
Semantic Segmentation of Drone Imagery Using Deep Learning for Seagrass Habitat Monitoring 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.36 no.2 pt.1, 2020년, pp.199 - 215

전의익 ((주)지오스토리 기술연구소) , 김성학 ((주)지오스토리 기술연구소) , 김병섭 (한국수산자원공단) , 박경현 (한국수산자원공단) , 최옥인 (한국수산자원공단)

초록
AI-Helper

잘피는 연안해역에 서식하는 해양수생관속식물로 해양생태계의 중요한 역할을 하고 있어, 주기적인 잘피 서식지의 모니터링이 이루어지고 있다. 최근 효율적인 잘피 서식지의 모니터링을 위해 고해상도의 영상 획득이 가능한 드론의 활용도가 높아지고 있다. 그리고 의미론적 분할에 있어 합성곱 신경망 기반의 딥러닝이 뛰어난 성능을 보임에 따라, 원격탐사 분야에 이를 적용한 연구가 활발하게 이루어지고 있다. 그러나 다양한 딥러닝 모델, 영상, 그리고 하이퍼파라미터에 의해 의미론적 분할의 정확도가 다르게 나타나고, 영상의 정규화와 타일과 배치 크기에서도 정형화되어 있지 않은 상태이다. 이에 따라 본 연구에서는 우수한 성능을 보여주는 딥러닝 모델을 이용하여 드론의 광학 영상에서 잘피 서식지를 분할하였다. 그리고 학습 자료의 정규화 및 타일의 크기를 중점으로 결과를 비교 및 분석하였다. 먼저 정규화와 타일, 배치 크기에 따른 결과 비교를 위해 흑백 영상을 만들고 흑백 영상을 Z-score 정규화 및 Min-Max 정규화 방법으로 변환한 영상을 사용하였다. 그리고 타일 크기를 특정 간격으로 증가시키면서 배치 크기는 메모리 크기를 최대한 사용할 수 있도록 하였다. 그 결과, Z-score 정규화가 적용된 영상이 다른 영상보다 IoU가 0.26 ~ 0.4 정도 높게 나타났다. 또한, 타일과 배치 크기에 따라 최대 0.09까지 차이가 나타나는 것을 확인하였다. 딥러닝을 이용한 의미론적 분할에 있어 정규화, 타일의 배치 크기의 변화에 따른 결과가 다르게 나타났다. 그러므로 실험을 통해 이들 요소에 대한 적합한 결정 과정이 있어야 함을 알 수 있었다.

Abstract ▼ AI-Helper

A seagrass that is marine vascular plants plays an important role in the marine ecosystem, so periodic monitoring ofseagrass habitatsis being performed. Recently, the use of dronesthat can easily acquire very high-resolution imagery is increasing to efficiently monitor seagrass habitats. And deep learning based on a convolutional neural network has shown excellent performance in semantic segmentation. So, studies applied to deep learning models have been actively conducted in remote sensing. However, the segmentation accuracy was different due to the hyperparameter, various deep learning models and imagery. And the normalization of the image and the tile and batch size are also not standardized. So,seagrass habitats were segmented from drone-borne imagery using a deep learning that shows excellent performance in this study. And it compared and analyzed the results focused on normalization and tile size. For comparison of the results according to the normalization, tile and batch size, a grayscale image and grayscale imagery converted to Z-score and Min-Max normalization methods were used. And the tile size isincreased at a specific interval while the batch size is allowed the memory size to be used as much as possible. As a result, IoU was 0.26 ~ 0.4 higher than that of Z-score normalized imagery than other imagery. Also, it wasfound that the difference to 0.09 depending on the tile and batch size. The results were different according to the normalization, tile and batch. Therefore, this experiment found that these factors should have a suitable decision process.

주제어

표/그림 (13)

그림 Fig. 1. Original U-net architecture (Ronneberger et al., 2015).
표 Table 1. Summary of precedent study about semantic segmentation using U-Net
그림 Fig. 2. Sample image acquired by drone.
표 Table 2. Summary of training and test dataset in this study
그림 Fig. 3. Example of orthoimagery and ground truth used in this study.
그림 Fig. 4. Training accuracy and loss plots for different normalization.
그림 Fig. 5. Validation accuracy and loss for different normalization.
그림 Fig. 6. Visual comparison of the semantic segmentation results.
표 Table 3. Quantitative comparison of five used metrics obtained from the semantic segmentation results of the test datasets with different normalization
그림 Fig. 7. Train accuracy and loss for different tile and batch sizes.
그림 Fig. 8. Validation accuracy and loss for different tile and batch sizes.
그림 Fig. 9. Visual comparison of the semantic segmentation results by different tile and batch sizes.
표 Table 4. Quantitative comparison of five used metrics obtained from the semantic segmentation results of the test datasets with different tile and batch sizes

AI 본문요약
AI-Helper

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

문제 정의

본 연구는 우리나라 남해에서 획득된 드론 광학 영상으로부터 생성된 정사영상에서 합성곱 신경망 기반의 딥러닝 모델인 U-Net을 이용하여 잘피 서식지 영역을 파악하기 위한 의미론적 분할을 하였다. 의미론적 분할을 수행함에 있어 본 연구는 딥러닝을 이용하여 정사영상에서 잘피 서식지를 분류하는 것에 대한 기초연구라고할수 있다.
본 연구는 우리나라 남해에서 획득된 드론 광학 영상으로부터 생성된 정사영상에서 합성곱 신경망 기반의 딥러닝 모델인 U-Net을 이용하여 잘피 서식지 영역을 파악하기 위한 의미론적 분할을 하였다. 의미론적 분할을 수행함에 있어 본 연구는 딥러닝을 이용하여 정사영상에서 잘피 서식지를 분류하는 것에 대한 기초연구라고할수 있다. 이에 따라 영상의 정규화와 타일과 배치 크기의 변화에 따른 결과를 비교 및 분석하였으며, 그에 따른 결론은 다음과 같다.
생성한 정사영상들에서 실측 자료(Ground truth)를 구축하기 위해, Blue Marble Geographics 사의 Global Mapper 소프트웨어를 이용하여 잘피 서식지에 대한 벡터 자료를 제작하였다. 이때 잘피 서식지의 구분은 육안과 현장 및 잠수 조사 결과를 바탕으로 하였다.

제안 방법

그래서 본 연구에서는 각각의 학습 및 테스트 정사영상들에 대해서만 정규화를 하고, 정규화된 정사영상들을 256×256 크기의 타일로 중복도 없이 분할하였다.
따라서 본 연구에서는 드론 영상에서 잘피 서식지를 화소 단위로 분류하는 방법인 의미론적 분할을 수행하기 위해 합성곱 신경망 기반의 딥러닝 모델을 이용하였다. 그리고 딥러닝을 이용한 의미론적 분할에서 영상의 정규화와 타일 및 배치(Batch)의 크기가 미치는 영향을 분석하였다. 이를 위해 영상의 정규화에서는 광학 영상을 흑백으로 변환한 영상과 흑백 영상에 Z-score 정규화를 적용한 영상, Min-Max 정규화를 적용한 영상으로 총 3개의 종류의 영상을 사용하였다.
여기서 세포들 간의 구분을 위한 개체 분할이어서 에너지 함수는 식 (1)과 같이 화소 단위의 크로스 엔트로피(Crossentropy) 손실 함수와 최종 특징 맵, 화소별(Pixel-wise) 소프트맥스인 식 (2)를 결합하여 계산하였다. 그리고 세포들끼리의 구분을 위해 형태(Morphological) 연산인 식(3)을 이용하여 계산된 경계선과 경계선에 대한 가중치맵을 사용하였다. 가중치는 특정 화소에서 세포의 경계선까지의 거리를 이용하여 결정되는 것으로, 간격이 좁을수록 가중치가 크며 간격이 넓을수록 가중치가 작아지도록 하였다(Ronneberger et al.
그리고 정사영상을 256×256 크기의 타일로 분할하였으며, 학습에서 학습과 검증 자료의 비율은 8:2로 하였다.
이를 위해 영상의 정규화에서는 광학 영상을 흑백으로 변환한 영상과 흑백 영상에 Z-score 정규화를 적용한 영상, Min-Max 정규화를 적용한 영상으로 총 3개의 종류의 영상을 사용하였다. 그리고 타일과 배치 크기에 따른 결과를 비교하기 위해 타일을 128화소의 일정 크기로 증가시키고, 그때 배치는 메모리가 지원하는 최대의 크기로 하였다.
이를 해결하기 위해 Long(2015)는 FCN(Fully convolutional network) 기법을 제안하였는데, FCN 기법은 기존의 모델의 마지막 층을 전결합층 대신 1×1 크기의 합성곱층으로 변경하여 입력 영상의 크기 제한을 없앴다. 그리고 화소의 위치정보를 보존하는 히트맵(Heatmap)을 생성하고 이를 전치 합성곱(Transposed convolution)으로 입력 영상과 같은 크기를 가지는 영상을 생성함에 따라 모든 화소에 대한 클래스가 분류된 영상을 생성할 수 있도록 하였다.
모델 학습에서 최적화 함수(Optimizer), 학습률, 배치 크기, 에포크(Epoch), 탈락률(Droprate)을 각각 Adam, 0.001, 16, 150, 0.25로 하였다.최적화 함수에 사용한 Adam은 운동량 개념과 적응형 방법(Adaptive method)을 이용하는 것으로 Kingma and Ba (2014)에 의해 제안된 기법이며 다른 최적화 기법과 비교하여 가장 효율적인 성능을 보여주었다(Ruder, 2017).
확장경로는 위치 정보에 대해 손실 없이 영상을 업샘플링하는 과정으로, 압축경로에서 생성된 특징 맵을 업샘플링한 영상과 접합(Concatenation)하여 지역화(localization)를 정교하게 하는 과정을 의미한다. 모델의 학습에서는 GPU 메모리를 최대한 이용하면서 과부하를 최소화하기 위해 배치 크기보단 타일 크기를 크게 하는 방향으로 하였다. 그에 따른 단점을 보완하기 위해 현재의 최적화 단계에서 이전의 학습 샘플 결과를 이용할 수 있도록 운동량(Momentum)을 0.
의미론적 분할의 정확도 평가에는 화소 정확도(Pixel accuracy), 정밀도(Precision), 재현율(Recall), F1(Dice coefficient), 그리고 IoU을 사용하며 식 (4) ~ (8)과 같이 표현된다. 본 연구는 영상에서 잘피 서식지와 그 이외를 구분하는 이진 분류이므로 잘피 서식지를 참(Positive), 나머지를 거짓(Negative)으로 할 때 실측값과 분류결과의 관계에 따라 참양성(TP, True Positive), 거짓양성(FP, False Positive), 거짓음성(FN, False Negative), 참음성(TN, True Negative)으로 표현할 수 있으며, 각각 참을 참으로 판별, 참을 거짓으로 판별, 거짓을 참으로 판별, 거짓을 거짓으로 판별한 것을 의미한다.
본 연구의 대상인 잘피 서식지의 형태는 불규칙하며 획득되는영상마다잘피의색상이다르게나타나일반화하기 어려운 점이 세포의 특성과 유사하다고 판단되어, U-Net 모델을 적용하여 잘피 서식지와 그 이외의 지역으로 구분하는 의미론적 분할을 시도하였다. 다만, 잘피 서식지끼리의 분류는 하지 않는 의미론적 분할이므로 별도의 형태 연산을 이용하여 경계선에 대한 가중치 맵은 생성하지 않았다.
획득된 영상들은 Agisoft사의 Metashape 소프트웨어를 이용해 영상 지오레퍼런싱을 수행하여 영상의 위치/자세를 결정하고, 그 과정에서 계산된 지상점을 바탕으로 DSM(Digital Surface Model)과 위치 정보를 가지는 Geotiff형태의 정사영상을 생성하였다. 생성한 정사영상들에서 실측 자료(Ground truth)를 구축하기 위해, Blue Marble Geographics 사의 Global Mapper 소프트웨어를 이용하여 잘피 서식지에 대한 벡터 자료를 제작하였다. 이때 잘피 서식지의 구분은 육안과 현장 및 잠수 조사 결과를 바탕으로 하였다.
압축경로는 합성곱과 풀링으로 입력 영상의 특징을 추출하면서 차원을 축소하는 과정으로 입력 영상의 가로, 세로 크기가 2칸씩 줄어드는 두 번의 3×3 합성곱으로 스트라이드(Stride)가 2인 2×2 최대값 풀링(Max polling)을 4번 반복하며, 각 다운샘플링 단계에서 특징 채널이 두 배로 증가하도록 하였다.
이처럼 연구 경험을 바탕으로 정규화의 유무와 방법이 결정됨에 따라, 본 연구는 여러 개의 정사영상에서 잘피 서식지를 분류하는 초기 연구임으로 정규화의 유무와 방법에 따른 결과를 비교 및 분석하였다. 이를 위해 U-net을 개발한 Ronneberger et al. (2015)와 같이 광학영상을 흑백영상으로 변환한 후, 흑백 영상과 Z-score 정규화가 적용된 영상(Z-score 영상)과 Min-Max 정규화가 적용된 영상(Min-Max 영상)들에 의미론적 분할을 시도하고 그에 따른 결과를 비교하였다.
Table 1은 선행연구들에서 U-Net 모델을 이용하였을 때의 분할 정확도를 나타낸 것으로 사용한 영상의 종류, 개수와 분할하고자 하는 객체 등의 다양한 조건에 따라, 기본 U-Net 모델의 정확도가 개선된 모델과 유사한 경우도 있었다. 이에 따라 본 연구에서는 기본적인 U-Net 모델을 사용하여 의미론적 분할을 수행하고 결과를 비교 및 분석하였다.
타일의 크기가 딥러닝 모델의 학습에서 고려되어야 할 요소 중 하나이지만, 대부분의 원격탐사 영상의 의미론적 분할 연구에서는 타일의 크기에 대한 특별한 언급 없이 임의의 크기로 사용하였다. 이에 따라 본 연구에서는 타일과 배치의 크기에 따른 결과를 분석하기 위해 일정 크기로 타일을 증가시키고 그와 동시에 배치는 메모리가 지원하는 최대로 하였을 때의 결과를 비교하였다.
의미론적 분할을 수행함에 있어 본 연구는 딥러닝을 이용하여 정사영상에서 잘피 서식지를 분류하는 것에 대한 기초연구라고할수 있다. 이에 따라 영상의 정규화와 타일과 배치 크기의 변화에 따른 결과를 비교 및 분석하였으며, 그에 따른 결론은 다음과 같다.
그러나 연구들에 따라 광학 영상의 범위가 0 ~ 255의 특정 범위로 고정된 점이 이미 정규화가 되어있다고 간주하고 원자료를 그대로 적용하기도 하였다. 이처럼 연구 경험을 바탕으로 정규화의 유무와 방법이 결정됨에 따라, 본 연구는 여러 개의 정사영상에서 잘피 서식지를 분류하는 초기 연구임으로 정규화의 유무와 방법에 따른 결과를 비교 및 분석하였다. 이를 위해 U-net을 개발한 Ronneberger et al.
테스트 영상의 정확도 평가는 방법론에서와 같이 화소 정확도, 정밀도, 재현율, F1, 그리고 IoU들을 이용하였으며 학습 과정과 마찬가지로 테스트 영상들도 흑백 영상, Z-score 정규화, Min-Max 정규화를 적용하고 256×256 크기의 타일로 분할하였다.
획득된 영상들은 Agisoft사의 Metashape 소프트웨어를 이용해 영상 지오레퍼런싱을 수행하여 영상의 위치/자세를 결정하고, 그 과정에서 계산된 지상점을 바탕으로 DSM(Digital Surface Model)과 위치 정보를 가지는 Geotiff형태의 정사영상을 생성하였다. 생성한 정사영상들에서 실측 자료(Ground truth)를 구축하기 위해, Blue Marble Geographics 사의 Global Mapper 소프트웨어를 이용하여 잘피 서식지에 대한 벡터 자료를 제작하였다.

대상 데이터

(2019)도 Li와 마찬가지로 U-Net 모델의 구조를 변경하여 정확도를 높이고자 하였는데, 이 모델은 기존의 U-Net 훈련 속도를 빠르게 하기 위해 각각의 합성곱층 뒤에 배치 정규화를 수행하였으며 마지막에 위치한 완전연결 층을 사용하지 않았다. 개발한 모델의 성능을 검증하기 위해 FCN-8s, SegNet, DeconvNet, ResUNet, DeepUNet, 그리고 U-Net 모델들을 사용하였다. 연구 자료와 분할하고자 하는 객체는 뉴질랜드의 도시 지역의 항공 광학 정사영상과 건물 영역으로 하였다.
타일과 배치의 크기가 정확도에 미치는 영향을 분석하기 위해 Z-score 영상을 타일 크기가 128부터 1024까지 128 간격을 가지는 8개의 데이터 셋으로 구분하였다. 그리고 값이 존재하지 않는 타일을 제거하여 타일 크기 순으로 130031/3805, 26738/6684, 15193/4517, 8724/2581, 5701/1657, 4017/1178, 3055/896, 2360/697개의 타일 수를 가진 학습/테스트 자료를 생성하였다. 학습에서 배치 크기를 제외한 하이퍼파라미터는 정규화 방법에 따른 결과 비교에서 사용한 값과 동일하게 하였으며, 이때 배치의 크기는 GPU 메모리를 최대한 활용할 수 있도록 하였다.
그래서 본 연구에서는 각각의 학습 및 테스트 정사영상들에 대해서만 정규화를 하고, 정규화된 정사영상들을 256×256 크기의 타일로 중복도 없이 분할하였다. 그리고 분할된 타일에서 값이 존재하지 않는 일부 타일들을 제거하였으며, 그에 따라 학습과 테스트에 사용한 타일의 개수는 각각 33422개, 9935개였다.
배치 크기, 탈락률은 일반적으로 사용하는 값으로 하였으며, 에포크는 여러 조건으로 모델을 학습함에 따라 12시간 이내로 학습이 완료될 수 있도록 150으로 하였다. 그리고 학습과 검증 자료의 비율은 8:2의 비율로 임의 추출하였으며, 그에 따른 학습과 검증자료의 개수는 각각 26738개, 6684개이다.
딥러닝 모델의 학습에는 15개의 정사영상과 실측자료 중에서 15개를 사용하고, 학습에 사용하지 않은 나머지 3개의 자료를 학습된 모델의 객관적인 검증할 수 있도록 테스트 자료로 사용하였다. 학습 자료와 테스트 자료에서 사용한 각각의 정사영상의 화소 수, 넓이, 잘피 서식지의 비율을 Table 2에 나타냈으며, 학습 자료 중 일부 정사영상과 실측 자료(No.
(2018)은 고해상도의 드론 영상에서 도로 영역을 추출하기 위해서 U-Net 모델 구조를 기반으로 하여, 입력 영상의 해상도를 50%, 25% 축소한 저해상도 영상을 생성하고 원본영상과 함께 학습할 수 있는 멀티 스케일 모델을 개발하였다. 모델의 학습과 테스트에는 각각 2,000개, 500개의 영상을 사용하였으며, 멀티스케일을 사용하지 않은 모델과 테스트 결과의 IoU를 비교하였다. 그 결과, 멀티스케일을 사용한 모델의 정확도가 최소 0.
본 연구에서 모델의 학습에는 Google 사의 Colab(Colaboratory)를 이용하였으며, 그 이외의 자료 준비 및 타일 변환 등의 작업에 사용한 하드웨어의 CPU, GPU는 i7-8799K, GeForce GTX 1060 6GB였다. 이때 언어와 라이브러리는 Python 3.
본 연구에서는 남해연안해역의 각기 다른 18곳의 잘피 서식지를 대상으로 2019년 2월 ~ 5월 사이에 드론을 이용하여 공간해상도 10 cm 이하의 광학 영상을 획득하였다. 이때 드론은 DJI사의 Phantom4 Pro와 Mavic2 Pro을 사용하였으며 주요 스펙인 센서 크기, 화소 수는 각각 13.
개발한 모델의 성능을 검증하기 위해 FCN-8s, SegNet, DeconvNet, ResUNet, DeepUNet, 그리고 U-Net 모델들을 사용하였다. 연구 자료와 분할하고자 하는 객체는 뉴질랜드의 도시 지역의 항공 광학 정사영상과 건물 영역으로 하였다. 이때 정사영상은 38,656×19,463 화소로 구성되어 있어 동등하게 반으로 나누어 학습 자료와 테스트 자료로 사용하였다.
26 mm이다. 영상 획득 시에는 영상 간의 종중복도, 횡중복도와 비행 높이는 80%, 60%, 이착륙 위치 기준으로 200 m 이하로 하였다. Fig.
이때 드론은 DJI사의 Phantom4 Pro와 Mavic2 Pro을 사용하였으며 주요 스펙인 센서 크기, 화소 수는 각각 13.2 mm×8.8 mm, 5472×3648개로 동일하며, 초점 거리는 8.8 mm, 10.26 mm이다.
이때 위성영상을 640×640 크기의 207개 타일로 분할한 뒤, 학습과 테스트에 각각 122개, 85개를 사용하였다.
이때 정사영상은 38,656×19,463 화소로 구성되어 있어 동등하게 반으로 나누어 학습 자료와 테스트 자료로 사용하였다.
그리고 딥러닝을 이용한 의미론적 분할에서 영상의 정규화와 타일 및 배치(Batch)의 크기가 미치는 영향을 분석하였다. 이를 위해 영상의 정규화에서는 광학 영상을 흑백으로 변환한 영상과 흑백 영상에 Z-score 정규화를 적용한 영상, Min-Max 정규화를 적용한 영상으로 총 3개의 종류의 영상을 사용하였다. 그리고 타일과 배치 크기에 따른 결과를 비교하기 위해 타일을 128화소의 일정 크기로 증가시키고, 그때 배치는 메모리가 지원하는 최대의 크기로 하였다.
정규화에 따른 실험 결과를 분석하기 위해 흑백영상, Z-score영상, 그리고 Min-Max 영상들을 사용하였다. 일반적으로 정규화를 적용할 때 모든 학습 영상에 대해 정규화에 필요한 상수를 계산하고 테스트 영상에 학습 영상으로부터 계산된 상수들을 적용한다.
타일과 배치의 크기가 정확도에 미치는 영향을 분석하기 위해 Z-score 영상을 타일 크기가 128부터 1024까지 128 간격을 가지는 8개의 데이터 셋으로 구분하였다. 그리고 값이 존재하지 않는 타일을 제거하여 타일 크기 순으로 130031/3805, 26738/6684, 15193/4517, 8724/2581, 5701/1657, 4017/1178, 3055/896, 2360/697개의 타일 수를 가진 학습/테스트 자료를 생성하였다.
대부분의 선행연구들에서 딥러닝의 모델, 영상의 종류, 분류하고자 하는 객체, 영상의 정규화, 하이퍼파라미터 등에 따라 같은 딥러닝 모델이라고 하더라도 분류 정확도가 다르게 나타났다. 특히, 영상의 정규화에서 정규화를 하지 않은 원본 영상 또는 Z-score, Min-Max 등의 정규화가 적용된 영상을 사용하였다. 그리고 원격탐사 영상의 큰 용량으로 인해 일정 크기의 타일(Tile)로 분할함에 있어 타일의 크기가 의미론적 분할의 결과에 미치는 영향에 대한 분석 없이 임의로 크기로 사용하였다.
해당 연구에서는 5000×5000 화소를 가지는 36개, 1500×1500 화소를 가지는 151개의 항공영상을 학습과 테스트에 각기 다른 지역의 영상으로 구분하여 사용하였다.

이론/모형

따라서 본 연구에서는 드론 영상에서 잘피 서식지를 화소 단위로 분류하는 방법인 의미론적 분할을 수행하기 위해 합성곱 신경망 기반의 딥러닝 모델을 이용하였다.
IoU와 F1은 유사한 의미가 있는데 IoU는 F1보다 같거나 작으며, F1의 절반보다 크거나 같은 관계를 가진다. 본 연구에서는 학습된 모델의 평가에서 화소 정확도, 정밀도, 재현율, F1, 그리고 IoU를 이용하였다.

성능/효과

F1과 IoU를 기준으로 타일의 너무 크기가 작거나 큰 경우보다 256 ~ 768 사이의 크기에서 결과가 좋았으며, 특히 타일의 크기가 768일 때 잘피 서식지 오탐지가 가장 적을 뿐만 아니라 F1과 IoU 값도 가장 높게 나타났다. 특히 Fig.
해당 연구에서는 5000×5000 화소를 가지는 36개, 1500×1500 화소를 가지는 151개의 항공영상을 학습과 테스트에 각기 다른 지역의 영상으로 구분하여 사용하였다. IoU 값(IoU)을 기준으로 테스트 영상에 대한 의미론적 분할의 정확도는 2-level U-Nets과 기본 UNet이 각각 74.60, 73.68으로 미미하게 향상됨에 따라, 해당 연구의 학습 자료에 대해서는 2-level U-Nets 모델을 통한 분할 정확도의 증가에는 큰 의미가 없는 것으로 나타났다.
9959로 나타났다. 개발한 DeepUNet의 정확도가 평균적으로 가장 높게 나타났으며, 이러한 이유는 기존의 U-Net 구조에 추가한 압축경로와 확장경로 때문으로 판단하였다. 그러나 테스트 자료에 따라 U-Net 모델의 정확도가 0.
또한, 타일 크기가 클수록 배치 크기가 작아지다 보니 학습 충격(Training shock)에 민감하게 나타나는 것을 알 수 있다. 검증 자료의 정확도는 타일의 크기와 관계없이 대체로 비슷하게 나타났으나, 손실값에서는 타일의 크기가 384 이하일 때 크게 나타나는 것을 쉽게 확인할 수 있고 타일의 크기가 클수록 손실값이 적은 경향이 있는 것을 알 수 있다(Fig. 8).
검증자료 정확도는 초기값이 거의 같았고, 학습이 진행되어도 정확도 개선은 거의 없었다. 그러나 정규화된 영상의 정확도는 흑백영상보다 안정적으로 높은 것을 알 수 있다(Fig.
정밀도와 재현율을 동시에 고려한 F1 과 IoU로 비교하면 Z-score 영상이 흑백영상과 Min-Max 영상보다 높았으며, 오히려 Min-Max 영상보다는 정규화를 하지 않은 흑백영상의 결과가 더 좋은 것으로 나타났다. 결과적으로 Z-score 정규화 방법이 다수의 광학 정사영상에서 잘피 서식지의 의미론적 분할에 적합한 것으로 판단할 수 있다. 다만 Min-Max 정규화 방법은 오히려 흑백 영상보다 낮은 정확도를 나타냈다.
이때 위성영상을 640×640 크기의 207개 타일로 분할한 뒤, 학습과 테스트에 각각 122개, 85개를 사용하였다. 그 결과, F1 값(F1)을 기준으로 DeepUNet, U-Net, SegNet, SeNet의 정확도의 범위가 0.9539 ~ 0.9932, 0.7827 ~ 0.9730, 0.8757 ~ 0.9553, 0.7719 ~ 0.9959로 나타났다. 개발한 DeepUNet의 정확도가 평균적으로 가장 높게 나타났으며, 이러한 이유는 기존의 U-Net 구조에 추가한 압축경로와 확장경로 때문으로 판단하였다.
모델의 학습과 테스트에는 각각 2,000개, 500개의 영상을 사용하였으며, 멀티스케일을 사용하지 않은 모델과 테스트 결과의 IoU를 비교하였다. 그 결과, 멀티스케일을 사용한 모델의 정확도가 최소 0.01, 최대 0.20정도 높게 나타났다. 테스트 영상에 따라 편차가 나타났지만, 영상의 다양한 스케일을 이용하면 의미론적 분할의 정확도가 높아질 수 있음을 보여준 것으로 판단된다.
Mastters and Luschi(2018)는 AlexNet, ResNet-8, ResNet-20, ResNet-32 모델과 CIFAR-10, CIFAR-100, ImageNet 등의 데이터 셋에 대하여 일반적으로 많이 사용하는 배치 크기인 2 ~ 2048 범위를 사용하였다. 그 결과, 모델과 데이터 셋에 따라 배치의 크기가 4, 8, 16, 32, 64 내에서 가장 좋은 성능을 보여주었으며, 배치 크기가 하나가 아닌 두 개에서 동일한 성능을 보이기도 하였다. 이처럼 현실적인 배치 크기 한도 내에서 학습의 속도를 빠르게 하기 위해 GPU 메모리 한도 내에서 배치 크기를 가장 크게 학습하는 방법이 주로 이루어졌다(Kampffmeyer et al.
(2017)는 6개의 신경망 모델에 4개의 데이터 셋에 배치 크기의 범위를 512 이하와 60000 이하로 구분하여 학습한 모델의 성능을 분석하였다. 그 결과, 배치의 크기가 너무 크면 일반화의 성능이 약 5% 정도 안 좋아진다는 결과가 나타났으며 이러한 이유는 sharp minimizer에 수렴하기 때문이라고 주장하였다. 그러나 Goyal et al.
둘째, 타일 크기에 따른 결과 분석으로 타일 크기를 128 ~ 1024로 변화시키면서 배치 크기는 GPU 메모리가 지원하는 만큼 최대로 하여 실험을 수행하였다. 그 결과, 타일과 배치 크기의 변화에 따라 IoU가 0.73 ~ 0.82로 나타났으며 타일의 크기가 128에서 768까지 IoU가 증가하는 경향을 보였다.
그래서 획득된 영상들에서 잘피의 노출 정도, 광량, 카메라 설정 등의 복합적인 요소에 의해 영상에서의 잘피의 색상은 녹색에서부터 남색까지 다르게 표현되었다.
9364로 가장 높은 정확도를 나타냈다. 그러나 기본적인 U-Net의 정확도가 0.9012로 나타남에 따라, 기본적인 모델도 큰 차이 없이 비교적 높은 정확도로 화소 단위의 분류가 가능한 것을 보여줬다. Peng et al.
04 높게 나타났다. 그러나 다른 평가 항목들에서는 다소 차이가 있었는데, 특히 Min-Max 영상의 결과에서 정밀도는 가장 높은 0.93이지만 재현율이 가장 낮은 0.39로 나타났다. 정밀도와 재현율의 차이가 계산식의 분모에서 거짓양성과 거짓음성에 의해서 결정되는 것에 따르면, 분할 결과에서 잘피 서식지가 아닌 영역을 잘피 서식지로 예측한 거짓 양성보다 잘피 서식지 영역을 그 이외의 영역으로 예측한 거짓 음성이 월등히 높은 것으로 판단할 수 있다.
그러나 Min-Max 영상은 에포크가 20회 이하에서는 정규화를 하지 않은 흑백영상보다 정확도가 낮게 나타난 것을 알 수 있다. 그러나 에포크가 증가할수록 정확도가 개선되어 흑백 영상의 정확도와 유사해졌으나 Z-score 정규화 영상보다는 정확도가 낮은 것을 확인할 수 있다. 손실값에서도 Min-Max 영상과 흑백영상의 그래프가 거의 같으며 에포크가 150일 때 Z-score 영상은 이들보다 수치가 낮게 나타났다.
9의 첫 번째 정사영상에서 잘피 서식지 내부의 오탐지가 적은 것을 가시적으로 확인할 수 있다. 그리고 타일의 크기가 128일 때 잘피 서식지 내부에 대한 결과 양상이 테스트 영상마다 다르게 나타났는데, 두 번째 테스트 영상에 대해서는 타일 크기가 작을 때도 잘피 서식지 내부를 분류한 결과가 다른 타일 크기와 비교해서 정확도에서 큰 차이가 없었다. 이는 타일에 포함된 모든 화소가 잘피인지 아닌지에 따라 결과의 차이가 나타나는 것으로 판단된다.
둘째, 타일 크기에 따른 결과 분석으로 타일 크기를 128 ~ 1024로 변화시키면서 배치 크기는 GPU 메모리가 지원하는 만큼 최대로 하여 실험을 수행하였다. 그 결과, 타일과 배치 크기의 변화에 따라 IoU가 0.
5에 가시화하였다. 먼저 Fig. 4의 에포크에 따른 학습 자료의 정확도와 손실값을 살펴보면, Z-score 영상의 정확도의 초기값이 다른 자료보다 높게 나타났으며 상대적으로 빠르게 안정적인 수치에 도달하였다. 그러나 Min-Max 영상은 에포크가 20회 이하에서는 정규화를 하지 않은 흑백영상보다 정확도가 낮게 나타난 것을 알 수 있다.
그러나 에포크가 증가할수록 정확도가 개선되어 흑백 영상의 정확도와 유사해졌으나 Z-score 정규화 영상보다는 정확도가 낮은 것을 확인할 수 있다. 손실값에서도 Min-Max 영상과 흑백영상의 그래프가 거의 같으며 에포크가 150일 때 Z-score 영상은 이들보다 수치가 낮게 나타났다.
연구결과부터 원본영상의 정규화 방법과 타일의 크기가 의미론적 분할의 결과에 영향을 주는 것을 확인하였다. 이로부터 딥러닝을 이용한 의미론적 분할을 위해서는 적절한 정규화 방법과 타일 및 배치 크기를 결정하기 위한 실험이 선행되어야 함을 알 수 있었다.
80으로 낮은 값으로 나타났는데 이는 동일한 참양성에서 거짓양성보다 거짓음성의 비율이 높음에 따라 나타나는 것으로, 잘피 서식지의 이외의 화소를 잘피 서식지로 오분류한 비율보다 잘피 서식지 화소를 정분류한 비율이 높기 때문으로 판단된다. 재현율에서는 평균적으로 타일의 크기가 128, 1024를 포함하여 896일 때 다른 경우보다 상대적으로 낮게 나왔다. 이는 잘피 서식지 이외의 화소에 대한 거짓 음성의 비율이 높은 것으로 해수면에서 잘피가 아닌 다른 해조류와 일부 산림 지역을 잘피로 분류하였기 때문이다(Fig.
정밀도와 재현율을 동시에 고려한 F1 과 IoU로 비교하면 Z-score 영상이 흑백영상과 Min-Max 영상보다 높았으며, 오히려 Min-Max 영상보다는 정규화를 하지 않은 흑백영상의 결과가 더 좋은 것으로 나타났다. 결과적으로 Z-score 정규화 방법이 다수의 광학 정사영상에서 잘피 서식지의 의미론적 분할에 적합한 것으로 판단할 수 있다.
39로 나타났다. 정밀도와 재현율의 차이가 계산식의 분모에서 거짓양성과 거짓음성에 의해서 결정되는 것에 따르면, 분할 결과에서 잘피 서식지가 아닌 영역을 잘피 서식지로 예측한 거짓 양성보다 잘피 서식지 영역을 그 이외의 영역으로 예측한 거짓 음성이 월등히 높은 것으로 판단할 수 있다. 이는 Fig.
첫째, 흑백영상, Z-score 정규화, Min-Max 정규화에 따른 각의 영상의 분할 결과에서 Z-score 정규화가 적용된 영상의 결과가 흑백영상과 Min-Max 정규화가 적용된 영상보다 높은 정확도로 분할이 이루어진 것을 확인할 수 있었다. Min-Max 정규화의 경우에는 잘피 서식지 내부의 타일에 대해서는 흑백영상보다 정확도가 낮게 나타났다.
20정도 높게 나타났다. 테스트 영상에 따라 편차가 나타났지만, 영상의 다양한 스케일을 이용하면 의미론적 분할의 정확도가 높아질 수 있음을 보여준 것으로 판단된다. 앞선 선행연구들은 U-Net의 구조를 변경하는 방식으로 개선을 시도하였지만, Khalel and El-Saban(2018)은 U-Net을두번 사용하는 2-level U-Nets을 이용하여 도심지역의 항공영상에서 빌딩 영역에 대한 의미론적 분할의 정확도를 높이고자 하였다.
그리고 정사영상을 256×256 크기의 타일로 분할하였으며, 학습에서 학습과 검증 자료의 비율은 8:2로 하였다. 테스트 자료에 학습된 모델을 적용하여 F1을 기준으로 정확도를 평가한 결과, 개발한 모델이 0.9364로 가장 높은 정확도를 나타냈다. 그러나 기본적인 U-Net의 정확도가 0.
Table 4의 전체적인 경향성을 보면 화소 정확도는 타일 크기와 관계없이 일정한 수치를 보이나 나머지 정확도 평가 항목들에서는 타일의 크기에 영향이 있는 것으로 나타났다. 특히, 실험 조건에서 타일의 크기가 가장 작은 128과 가장 큰 경우 1024일 때 화소 정확도 이외의 평가 항목에서 다른 경우보다 낮은 수치를 보였다. 정밀도 기준으로 평가하면 Fig.

후속연구

02 정도 향상된 것으로 보아 배치 크기도 정확도에 영향을 미치는 것을 알 수 있다. 결과적으로 타일 크기에 변화에 따라 재현율과 IoU의 차이가 각각 최대 0.12, 0.09까지 보임에 따라, 임의의 타일과 배치 크기를 사용하기보다는 적절한 크기의 결정을 위한 실험이 선행되어야 할 것으로 판단된다.
다만, 본 연구의 각 실험에서 한 번의 학습된 모델의 결과를 기준으로 분석하였기 때문에, 향후 더 객관적인 분석을 위해 모델의 학습과 결과 분석을 여러 번 반복 수행하고 그에 따른 결과를 분석해야 할 것으로 판단된다. 그리고 나머지 하이퍼파라미터들의 최적화 실험을 통한 정확도의 개선이 이루어진다면, 드론 영상을 활용한 잘피 서식지의 모니터링이 효율적으로 이루어질 것으로 기대된다.
이는 Min-Max 정규화와 Z-score 정규화의 결과 차이는 정사영상에 포함된 객체들의 종류와 촬영 조건에 따라 화소들의 최소값과최대값이 다르게 산출되는데, Z-score 정규화는 최소와 최대를 보존하여 변환하지만 Min-Max 정규화는 이를 0과 1 사이의 스케일로 강제 변환하였기 때문으로 판단된다. 다만, Min-Max 정규화를 위한 수식은 본 연구에서 사용한 기본적인 수식에서부터 Z-score 정규화와 혼합한 식까지 다양하게 존재하므로, 영상의 특성에 맞는 적절한 정규화 방법이 필요한 것으로 판단된다.
이로부터 딥러닝을 이용한 의미론적 분할을 위해서는 적절한 정규화 방법과 타일 및 배치 크기를 결정하기 위한 실험이 선행되어야 함을 알 수 있었다. 다만, 본 연구의 각 실험에서 한 번의 학습된 모델의 결과를 기준으로 분석하였기 때문에, 향후 더 객관적인 분석을 위해 모델의 학습과 결과 분석을 여러 번 반복 수행하고 그에 따른 결과를 분석해야 할 것으로 판단된다. 그리고 나머지 하이퍼파라미터들의 최적화 실험을 통한 정확도의 개선이 이루어진다면, 드론 영상을 활용한 잘피 서식지의 모니터링이 효율적으로 이루어질 것으로 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	분할이란 무엇인가?	분류는 입력영상 내의 객체의 종류를 구분하는 것이고, 탐지는 영상에서 객체 구분과 위치 정보를 제공하는 것을 의미한다. 분할은 영상 내 모든 화소의 클래스를 정해주는 것을 의미한다. 분할은 다시 같은 클래스의 객체를 서로 다른 개체로 분류하는 개체분할(Instance segmentation)과 개체를 구분하지 않는 의미론적 분할(Semantic segmentation)로 구분된다.
	분할은 무엇으로 구분되는가?	분할은 영상 내 모든 화소의 클래스를 정해주는 것을 의미한다. 분할은 다시 같은 클래스의 객체를 서로 다른 개체로 분류하는 개체분할(Instance segmentation)과 개체를 구분하지 않는 의미론적 분할(Semantic segmentation)로 구분된다. 기존 영상인식에서는 입력영상이 다양하고 복잡하다는 점과 영상인식 알고리즘이 매우 복잡한 연산과정을 필요로 한다는 점, 많은 양의 데이터를 처리하기 위한 메모리가 요구된다는 점에 있어 구현이 어려웠다.
	잘피는 어떤 점에서 매우 중요한 생태적 기능을 하는 생물인가?	잘피는 다양한 해양생물의 산란 및 서식지를 제공하고 지구온난화의 주요 요인인 이산화탄소를 흡수한다. 또한, 광합성 작용을 통해 해양생물의 호흡에 필요한 산소를 생산하여 공급한다는 점에서 매우 중요한 생태적 기능을 하는 생물이다(Thomas and Cornelisen, 2003). 그러나 1970년대 이후 산업화에 따른 무분별한 개발과 환경오염으로 인해 잘피의 개체 수가 현저하게 감소함에 따라 2007년에 해양수산부에서 보호대상 해양생물로 지정하여 한국수산자원공단에 의해 관리되고 있다(Lee and Lee, 2003; Park et al.

참고문헌 (37)

Alickovic, E. and A. Subasi, 2019. Normalized neural networks for breast cancer classification, Proc. of International Conference on Medical and Biological Engineering, Banja Luka, Bosnia and Herzegovina, May 16-18, pp. 519-524.
Badrinarayanan, V., A. Kendall, and R. Cipolla, 2017. Segnet: A deep convolutional encoder-decoder architecture for image segmentation, IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(12): 2481-2495.

상세보기
Buscombe, D. and A.C. Ritchie, 2018. Landscape classifi-cation with deep neural networks, Geosciences, 8(7): 244.

상세보기
Chen, L.C., G. Papandreou, I. Kokkinos, K. Murphy, and A.L. Yuille, 2017. Deeplab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected crfs, IEEE Transactions on Pattern Analysis and Machine Intelligence, 40(4): 834-848.

상세보기
Fu, G., C. Liu, R. Zhou, T. Sun, and Q. Zhang, 2017. Classification for high resolution remote sensing imagery using a fully convolutional network, Remote Sensing, 9(5): 498.

상세보기
Goyal, P., P. Dollear, R. Girshick, P. Noordhuis, L. Wesolowski, A. Kyrola, A. Tulloch, Y. Jia, and K. He, 2017. Accurate, large minibatch sgd:Training imagenet in 1 hour, arXiv:1706.02677.
Guo, Z., H. Shengoku, G. Wu, Q. Chen, W. Yuan, X. Shi, X. Shao, Y. Xu, and R. Shibasaki, 2018. Semantic segmentation for urban planning maps based on U-Net, Proc. of 2018 IEEE International Geoscience and Remote Sensing Symposium, Valencia, Spain, Jul. 22-27, pp. 6187-6190.
Ioffe, S., 2017. Batch renormalization: Towards reducing minibatch dependence in batch-normalized model, Proc. of 31st Conference on Neural Information Processing Systems (NIPS 2017), Long Beach, CA, USA, Jul. 22-27, pp. 1945-1953.
Kampffmeyer, M., A.B. Salberg, and R. Jenssen, 2016. Semantic segmentation of small objects and modeling of uncertainty in urban remote sensing images using deep convolutional neural networks, Proc. of the IEEE Conference on Computer Vision and Pattern Recognition Workshops, Las Vegas, NV, USA, Jun. 26-Jul. 1, pp. 1-9.
Keskar, N.S., D. Mudigere, J. Nocedal, M. Smelyanskiy, and P.T.P. Tang, 2016. On large-batch training for deep learning: Generalization gap and sharp minima, Proc. of 5th International Conference on Learning Representations, Palais des Congres Neptune, Toulon, France, Apr. 24-26, pp. 1-16.
Khalel, A. and M. El-Saban, 2018. Automatic pixelwise object labeling for aerial imagery using stacked u-nets, arXiv:1803.04953.
Kim, J.B., J.I. Park, C.S. Jung, P.Y. Lee, and K.S. Lee, 2009. Distributional range extension of the seagrass Halophila nipponica into coastal waters off the Korean peninsula, Aquatic Botany, 90(3):269-272.

상세보기
Kim, J.B., J.I. Park, W.J. Choi, J.S. Lee, and K.S. Lee, 2010. Spatial distribution and ecological characteristics of Zostera marina and Zostera japonica in the Seomjin Estuary, Korean Journal of Fisheries and Aquatic Sciences, 43(4): 351-361 (in Korean with English abstract).

원문보기 상세보기
Kingma, D.P. and J. Ba, 2014. Adam: A method for stochastic optimization, Proc. of 3rd International Conference on Learning Representations, San Diego, CA, USA, May 7-9, pp. 1-15.
Krizhevsky, A., I. Sutskever, and G.E. Hinton, 2012. Imagenet classification with deep convolutional neural networks, Proc. of Neural Information Processing Systems Conference, Lake Tahoe, Nevada, USA, Dec. 3-6, pp. 1097-1105.
LeCun, Y., L. Bottou, Y. Bengio, and P. Haffner, 1998. Gradient-based learning applied to document recognition, Proceedings of the IEEE, 86(11):2278-2324.

상세보기
Lee, K.S. and S.Y. Lee, 2003. The seagrasses of the Republic of Korea, In: Short, F.T., Green, E.P. (Ed.), World atlas of seagrasses: present status and future conservation, University of California Press, Berkeley, USA, pp. 193-198.
Li, R., W. Liu, L. Yang, S. Sun, W. Hu, F. Zhang, and W. Li, 2018. Deepunet: A deep fully convolutional network for pixel-level sea-land segmentation, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 11(11):3954-3962.

상세보기
Li, W., C. He, J. Fang, and H. Fu, 2018. Semantic Segmentation Based Building Extraction Method Using Multi-Source GIS Map Datasets and Satellite Imagery, Proc. of 2018 Computer Vision and Pattern Recognition Workshops, Salt Lake City, Utah, USA, Jun. 18-22, pp. 238-241.
Liu, L., 2019. Semantic Segmentation of Urban Airborne Oblique Images, University of Twente, Enschede, Netherlands.
Long, J., E. Shelhamer, and T. Darrell, 2015. Fully convolutional networks for semantic segmentation, Proc. of the IEEE Conference on Computer Vision and Pattern Recognition, Salt Lake City, Utah, USA, Jun. 18-22, pp. 3431-3440.
Masters, D. and C. Luschi, 2018. Revisiting small batch training for deep neural networks, arXiv:1804.07612.
Okatani, T. and M. Saito, 2015. Deep learning, Koudansha, Tokyo, Japan, pp. 101-121.
Park, J.I., J.Y. Park, and M.H. Son, 2012. Seagrass Distribution in Jeju and Chuja Islands, Korean Journal of Environmental Biology, 30(4): 339-348 (in Korean with English abstract).

원문보기 상세보기
Park, S.W. and Y.W. Lee, 2019. Detection of forest disaster using high-resolution satellite images with semantic segmentation, The Association of Korean Photo-Geographers, 28(4): 87-101 (in Korean with English abstract).
Paszke, A., A. Chaurasia, S. Kim, and E. Culurciello, 2016. Enet: A deep neural network architecture for real-time semantic segmentation, arXiv:1606.02147.
Peng, B., Y. Li, L. He, K. Fan, and L. Tong, 2018. Road Segmentation of UAV RS Image Using Adversarial Network with Multi-Scale Context Aggregation, Proc. of 2018 IEEE International Geoscience and Remote Sensing Symposium, Valencia, Spain, Jul. 22-27, pp. 6935-6938.
Ronneberger, O., P. Fischer, and T. Brox, 2015. U-net:Convolutional networks for biomedical image segmentation, Proc. of International Conference on Medical Image Computing and Computerassisted Intervention, Munich, Germany, Oct. 5-9, pp. 234-241.
Ruder, S., 2016. An overview of gradient descent optimization algorithms, arXiv preprint, arXiv:1609.04747.
Sameen, M.I., B. Pradhan, and O.S. Aziz, 2018. Classification of very high resolution aerial photos using spectral-spatial convolutional neural networks, Journal of Sensors, 1-16.
Sun, W. and R. Wang, 2018. Fully convolutional networks for semantic segmentation of very high resolution remotely sensed images combined with DSM, IEEE Geoscience and Remote Sensing Letters, 15(3): 474-478.

상세보기
Thomas, F.I. and C.D. Cornelisen, 2003. Ammonium uptake by seagrass communities: effects of oscillatory versus unidirectional flow, Marine Ecology Progress Series, 247: 51-57.

상세보기
Varia, N., A. Dokania, and J. Senthilnath, 2018. DeepExt: A Convolution Neural Network for Road Extraction using RGB images captured by UAV, Proc. of 2018 IEEE Symposium Series on Computational Intelligence, Bangalore, India, Nov. 18-21, pp. 1890-1895.
Yi, Y., Z. Zhang, W. Zhang, C. Zhang, W. Li, and T. Zhao, 2019. Semantic Segmentation of urban buildings from vhr remote sensing imagery using a deep convolutional neural network, Remote Sensing, 11(15): 1774.

상세보기
You, Y., I. Gitman, and B. Ginsburg, 2017. Scaling sgd batch size to 32k for imagenet training, arXiv:1708.03888.
Zhang, Z., Q. Liu, and Y. Wang, 2018. Road extraction by deep residual u-net, IEEE Geoscience and Remote Sensing Letters, 15(5): 749-753.

상세보기
Zhao, H., J. Shi, X. Qi, X. Wang, and J. Jia, 2017. Pyramid scene parsing network, Proc. of the IEEE Conference on Computer Vision and Pattern Recognition, Honolulu, Hawaii, USA, Jul. 21-26, pp. 2881-2890.

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