[논문]딥러닝을 이용한 소규모 지역의 영상분류 적용성 분석 : UAV 영상을 이용한 농경지를 대상으로

최석근; 이승기; 강연빈; 성선경; 최도연; 김광호

doi:10.7848/ksgpc.2020.38.1.23

딥러닝을 이용한 소규모 지역의 영상분류 적용성 분석 : UAV 영상을 이용한 농경지를 대상으로
Applicability of Image Classification Using Deep Learning in Small Area : Case of Agricultural Lands Using UAV Image 원문보기

한국측량학회지 = Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, v.38 no.1, 2020년, pp.23 - 33

최석근 (Dept. of Civil Engineering, Chungbuk National University) , 이승기 (Terrapix) , 강연빈 (Dept. of Civil Engineering, Chungbuk National University) , 성선경 (Dept. of Civil Engineering, Chungbuk National University) , 최도연 (Terrapix) , 김광호 (Dept. of Civil Engineering, Chungbuk National University)

초록
AI-Helper

최근 UAV (Unmanned Aerial Vehicle)를 이용하여 고해상도 영상을 편리하게 취득할 수 있게 되면서 저비용으로 소규모 지역의 관측 및 공간정보 제작이 가능하게 되었다. 특히, 농업환경 모니터링을 위하여 작물생산 지역의 피복지도 생성에 대한 연구가 활발히 진행되고 있으며, 랜덤 포레스트와 SVM (Support Vector Machine) 및 CNN(Convolutional Neural Network) 을 적용하여 분류 성능을 비교한 결과 영상분류에서 딥러닝 적용에 대하여 활용도가 높은 것으로 나타났다. 특히, 위성영상을 이용한 피복분류는 위성영상 데이터 셋과 선행 파라메터를 사용하여 피복분류의 정확도와 시간에 대한 장점을 가지고 있다. 하지만, 무인항공기 영상은 위성영상과 공간해상도와 같은 특성이 달라 이를 적용하기에는 어려움이 있다. 이러한 문제점을 해결하기 위하여 위성영상 데이터 셋이 아닌 UAV를 이용한 데이터 셋과 국내의 소규모 복합 피복이 존재하는 농경지 분석에 활용이 가능한 딥러닝 알고리즘 적용 연구를 수행하였다. 본 연구에서는 최신 딥러닝의 의미론적 영상분류인 DeepLab V3+, FC-DenseNet (Fully Convolutional DenseNets), FRRN-B (Full-Resolution Residual Networks) 를 UAV 데이터 셋에 적용하여 영상분류를 수행하였다. 분류 결과 DeepLab V3+와 FC-DenseNet의 적용 결과가 기존 감독분류보다 높은 전체 정확도 97%, Kappa 계수 0.92로 소규모 지역의 UAV 영상을 활용한 피복분류의 적용가능성을 보여주었다.

Abstract ▼ AI-Helper

Recently, high-resolution images can be easily acquired using UAV (Unmanned Aerial Vehicle), so that it is possible to produce small area observation and spatial information at low cost. In particular, research on the generation of cover maps in crop production areas is being actively conducted for monitoring the agricultural environment. As a result of comparing classification performance by applying RF(Random Forest), SVM(Support Vector Machine) and CNN(Convolutional Neural Network), deep learning classification method has many advantages in image classification. In particular, land cover classification using satellite images has the advantage of accuracy and time of classification using satellite image data set and pre-trained parameters. However, UAV images have different characteristics such as satellite images and spatial resolution, which makes it difficult to apply them. In order to solve this problem, we conducted a study on the application of deep learning algorithms that can be used for analyzing agricultural lands where UAV data sets and small-scale composite cover exist in Korea. In this study, we applied DeepLab V3 +, FC-DenseNet (Fully Convolutional DenseNets) and FRRN-B (Full-Resolution Residual Networks), the semantic image classification of the state-of-art algorithm, to UAV data set. As a result, DeepLab V3 + and FC-DenseNet have an overall accuracy of 97% and a Kappa coefficient of 0.92, which is higher than the conventional classification. The applicability of the cover classification using UAV images of small areas is shown.

주제어

표/그림 (24)

그림 Fig. 1. Description of UAV and camera used for experiment
그림 Fig. 2. Image of sites and data
그림 Fig. 3. Flow chart of classifcation process
표 Table 1. Specifcation of Inspire 1 and Zenmuse X3
표 Table 2. Specifcations of acquisition data
그림 Fig. 4. Difference between semantic image classification and instance image classification
그림 Fig. 6. Skip-connection structure and result of FCN (Long et al., 2015)
그림 Fig. 5. Unpooling process after maxpoling (Long et al., 2015)
그림 Fig. 7. Architecture of Deeplab v3 + (Chen et al., 2018)
그림 Fig. 8. Architecture of FC-Densenet (Huang et al., 2017)
그림 Fig. 9. The architecture of FRRN-B (Pohlen et al., 2017)
그림 Fig. 10. Intersection over Union
그림 Fig. 11. Results of average validation accuracy by model according to epoch
그림 Fig. 12. Results of average IOU by model according to epoch
표 Table 2. Experimental conditions
그림 Fig. 13. Results of average loss by model according to epoch
그림 Fig. 14. Results of DeeplabV3+ by classification according to epoch of test images
그림 Fig. 15. Results of FC-Densenet by classification according to epoch of test images
그림 Fig. 16. results of FRRN-B by classification according to epoch of test images
표 Table 3. Confusion matrix of classifcation results (Deeplabv3+)
표 Table 4. Confusion matrix of classifcation results (FC-Densenet)
표 Table 5. Confusion matrix of classifcation results (FRRN-B)
표 Table 6. Confusion matrix of classifcation results (RF)
그림 Fig. 17. Images of results by classifcation

AI 본문요약
AI-Helper

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

문제 정의

또한, 본 연구에서 분류 및 탐지하고자 하는 대상물질이 농경지이기 때문에, 효과적인 분류를 위한 고해상도 자료가 요구된다. 따라서 Zenmuse X3를 활용하여 고해상도 정사영상을 제작하여 활용하고자 하였다. Fig.

제안 방법

소규모 지역에서 딥러닝 모델을 적용하여 피복분류를 수행한 결과 기존의 감독분류 방법인 RF에 비하여 높은 정확도를 보여주고 있어 그 적용성이 확인할 수 있었다. FC-Densenet 및 Deeplabv3+에 UAV 데이터 셋으로 사전 학습된 파라메터를 생성할 수 있었으며, 이를 활용한 test 영상 피복분류를 수행할 수 있었다. 차후, 피복분류의 활용도를 높이기 위하여 분류 클래스를 추가하여야 할 필요가 있다.
라벨링된 이미지를 이용하여 80%는 학습데이터 셋으로 20%는 평가 데이터 셋으로 적용하였다. 각 알고리즘 별 전체정확도, IoU (Intersection over Union), loss를 평가하였다. 이후 실제 적용성 분석을 위하여 각각의 알고리즘에 대한 epoch별 모델변수를 저장하고(텐서플로우 ckpt파일) 이를 Site 3의 test 영상에 적용하여 RF 방법과 비교·평가하였다.
또한 옥수수 및 벼의 생육주기를 고려하여 2019년 7월에 촬영된 영상을 사용하였다. 대상 지역에서는 식생으로 옥수수 외에 벼를 함께 재배하고 있으며 주변에 비닐하우스, 아스팔트 및 콘크리트 도로 등이 존재하고 있어 이에 식생, 나지, 콘크리트 도로, 아스팔트 도로 및 비닐에 대한 분류를 수행하였다. Table 2는 연구 대상 지역들의 특성치를 나타내고 있다.
딥러닝 모델과 기존 감독분류의 정량적인 비교를 위해 5개피복에 대해 오차행렬(Confusion matrix)를 비교하였다. 오차 행렬은 참조자료와 분류결과의 정확도를 산정하는 방법으로 분류결과의 클래스별로 정확도 산출이 가능하며, 전체 정확도를 산출하여 영상별 비교가 가능하다.
따라서, 본 연구는 소규모 농경지에 대하여 촬영한 UAV 영상을 이용하여 데이터 셋을 생성하고, 이를 활용하여 각각의 딥러닝 알고리즘별 훈련 파라메터를 생성하였다. 비교 실험에는 기계학습인 RF와 의미론적 영상 분류에서는 최신의 기법인 DeepLab V3+, FC-DenseNet (Fully Convolutional DenseNets) 및 FRRN-B (Full-Resolution Residual Networks)을 적용하여 분석함으로써 소규모 지역의 영상분류 적용성 분석을 수행하였다.
본 대상지역의 피복분류 흐름은 Fig.3과 같이 딥러닝 알고리즘의 학습데이터 추출을 위하여 Site 2와 Site 3 취득된 영상(150장)에 대한 라벨링 작업을 수행하였다. 라벨링된 이미지를 이용하여 80%는 학습데이터 셋으로 20%는 평가 데이터 셋으로 적용하였다.
본 연구는 UAV에서 취득된 영상을 활용하여 대표적인 의미론적 분류 알고리즘에 적용하고 각 모델별 취득된 선행 파라메터를 적용하여 기존의 감독분류인 RF와 비교한 결과 다음과 같은 결론을 얻었다.
의미론적 영상분류 분야에서는 성능의 지표로 IoU를 사용하게 되는데, 다운샘플링 단계에서 특징 정보가 사라지게 되면 업샘플링 단계에서 스킵 계층, 특징 지도 연쇄 메소드 등을 통하여 오브젝트의 디테일을 보강해도 IoU를 충분히 확보하지 못한다는 문제가 있다. 이러한 문제의 해결을 위하여 Fig.8과 같이 다운샘플링 및 업샘플링 과정에 밀집 연결성(dense conectivity)이라는 전체 아키텍처의 계층 간 완전한 연결개념을 추가함으로써 오브젝트의 디테일을 보강하였다. 이러한 DenseNet은 이전 계층에서 얻어낸 정보를 네트워크가 깊어짐에 따라 계속해서 쌓아나가는 밀집 블록(dense block)을 아키텍처에 포함함으로써 이전에 지니고 있었던 특징이 사라지거나 희미해지는 문제점을 해결할 수 있었다(Jégou et al.
차후, 피복분류의 활용도를 높이기 위하여 분류 클래스를 추가하여야 할 필요가 있다. 이를 위해 네트워크 깊이를 증가시켜야 하며, 이에 따른 과적합은 데이터 증식 기법 등을 통해 해결하고자 한다.
규칙 기반 분류(rule-based classification)의 형태를 나타내는 결정나무 기법은 노드(훈련자료를 정확하게 구분할 수 있는 규칙)로 설정하여 분류결과를 생성하는 방법이다. 첫 번째로, 독립적인 결정 나무를 생성하기 위해 필요한 N개의 세부 훈련자료를 생성한다. 이후, 독립적인 결정나무들의 노드를 생성하기 위하여 영상(M 개의 밴드)에서 무작위 X 개의 밴드를 추출한다.
이후, 독립적인 결정나무들의 노드를 생성하기 위하여 영상(M 개의 밴드)에서 무작위 X 개의 밴드를 추출한다. 추출된 무작위의 밴드(X 개)와 훈련자료를 이용하여 독립적인 결정나무(N 개)를 생성하고, 최종적으로 결정나무(N 개)에서 가장 높은 확률의 클래스로 자료의 분류를 수행한다.
, 2016). 훈련자료가 충분히 존재하고 있기 때문에, 총 100개의 결정나무를 생성하고, 이를 이용하여 RF 분류자를 구성하였다.

대상 데이터

2(b)의 옥수수 지역, Fig. 2(c)의 벼 지역을 대상으로 선정하였다. 또한 옥수수 및 벼의 생육주기를 고려하여 2019년 7월에 촬영된 영상을 사용하였다.
(e)처럼 Site2 및 Site3의 지역에서 취득된 이미지(307장)에서 중복되는 사진을 제외한 300장의 라벨링 작업을 수행하고 네트워크로 입력하기 위하여 256×256사이즈 패치를 생성하여 훈련데이터(training data) 및 평가데이터(validation data)를 생성하였다.
RF와 딥러닝 알고리즘을 비교 평가하기 위하여 Site1의 정사영상을 Test 데이터로 선정하여 GT (Ground Truth) 및 GT를 이용한 ROI (Region Of Interest)를 취득하였다(Fig. 2(f)).
대상지역의 작물분류에는 RGB (Red-Green-Blue)데이터를 획득할 수 Zenmuse X3 카메라가 탑재된 회전익 Inspire 1을 사용하였다. Inspire 1은 GNSS(Global Navigation Satellite System), IMU(Inertial Measurement Unit) 등을 탑재하여 사용자가 사전에 입력한 영역을 계획에 따라 자동비행하는 시스템을 포함하고 있으며, 고정익 UAV와 비교하여 소규모 지역을 제한없이 빠른 시간에 촬영할 수 있는 장점을 가지고 있다.
2(c)의 벼 지역을 대상으로 선정하였다. 또한 옥수수 및 벼의 생육주기를 고려하여 2019년 7월에 촬영된 영상을 사용하였다. 대상 지역에서는 식생으로 옥수수 외에 벼를 함께 재배하고 있으며 주변에 비닐하우스, 아스팔트 및 콘크리트 도로 등이 존재하고 있어 이에 식생, 나지, 콘크리트 도로, 아스팔트 도로 및 비닐에 대한 분류를 수행하였다.
본 연구에서의 실험 대상지역은 수목, 밭, 논, 콘크리트, 아스팔트 등이 혼재되어 있어 RGB 영상에서 분류가 가능한 5 개의 클래스(식생, 나지, 콘크리트, 비닐, 아스팔트)로 훈련데이터를 생성하였다.
본 학습에 사용된 Backbone은 DeepLab V3+, FCDenseNet 및 FRRN-B에 동일하게 ResNet50을 사용하였으며, 학습 횟수는 500회 진행하였다. 패치 크기는 네트워크에 적용하기 위하여 256x256으로 적용하였으며, Batch size는 실험 환경의 자원을 고려하여 1로 적용하였다.
2(e)처럼 Site2 및 Site3의 지역에서 취득된 이미지(307장)에서 중복되는 사진을 제외한 300장의 라벨링 작업을 수행하고 네트워크로 입력하기 위하여 256×256사이즈 패치를 생성하여 훈련데이터(training data) 및 평가데이터(validation data)를 생성하였다. 생성된 데이터는 딥러닝 훈련 및 평가를 위하여 80%는 훈련 데이터로 20%는 평가 자료로 사용하였다.

데이터처리

실제 학습과 테스트가 진행된 컴퓨터의 사양과 소프트웨어 환경은 Table 2와 같다. 딥러닝에서 학습속도를 높이기 위하여 CUDA 9.0과 cuDNN 7.5.0을 이용하여 GPU 연산을 수행하였다.
따라서, 본 연구는 소규모 농경지에 대하여 촬영한 UAV 영상을 이용하여 데이터 셋을 생성하고, 이를 활용하여 각각의 딥러닝 알고리즘별 훈련 파라메터를 생성하였다. 비교 실험에는 기계학습인 RF와 의미론적 영상 분류에서는 최신의 기법인 DeepLab V3+, FC-DenseNet (Fully Convolutional DenseNets) 및 FRRN-B (Full-Resolution Residual Networks)을 적용하여 분석함으로써 소규모 지역의 영상분류 적용성 분석을 수행하였다.
이후 실제 적용성 분석을 위하여 각각의 알고리즘에 대한 epoch별 모델변수를 저장하고(텐서플로우 ckpt파일) 이를 Site 3의 test 영상에 적용하여 RF 방법과 비교·평가하였다.
평균 loss를 기준으로 epoch별 분류 결과를 정성적으로 비교하였다(Figs. 14∼16).

이론/모형

FC-DenseNet 알고리즘은 FCN 접근법을 기초로 하는 DenseNet CNN을 인코더로 사용한다(Huang et al., 2018). DenseNet 아키텍처의 특성으로 각 레이어가 피드-포워드 방식으로 다른 모든 레이어에 연결된 블록이 존재한다.
각각의 블록은 전체 해상도 잔차 단위에서 동작하며, 동시에 풀링 및 잔여 스트림에서도 적용되고, 이들 연구에서 FRRN-A와 FRRN-B의 아키텍처를 제안하였으나, FRRN-B가 의미론적으로 구성된 도시 이미지 분류 평가에 활용되는 Cityscapes 벤치마크 데이터 세트에서 FRRN-A 비하여 우수한 성능을 나타냈다. 따라서 본 연구에서는 FRRN-B 아키텍처를 적용하여 분류를 수행하였다.
RF 기법은 결정나무 생성과정에서의 다양한 데이터를 활용하여 강건한 특성을 보인다. 본 연구에서는 영상분류를 위하여 개발된 EnMAP (Environmental Mapping and Analysis Program)-Box의 RF 분류자를 이용하여 실험을 수행하였다 (Jhonnerie et al., 2016). 훈련자료가 충분히 존재하고 있기 때문에, 총 100개의 결정나무를 생성하고, 이를 이용하여 RF 분류자를 구성하였다.

성능/효과

대상 실험지역의 분류결과는 Figs. 11 ~ 13과 같고, 500 epoch의 평가 정확도는 FC-Densenet이 90%로 가장 높으며, FRRN-B의 정확도는 85%로 가장 낮은 정확도를 보였다(Fig.11). 평균 IOU에서도 DeeplabV3+와 FC-Densenet은 비슷한 결과를 보이고 있으나, FRRN-B의 경우 다른 모델과 다르게 낮은 IOU를 보이고 있다(Fig.
풀링 스트림은 연속적인 풀링을 수행하여 보다 나은 결과를 얻는 역할을 하고, 잔여 스트림은 전체 이미지 해상도에서 잔차를 계산하여 객체 픽셀 위치가 네트워크 출력으로 전파될 수 있도록 한다. 각각의 블록은 전체 해상도 잔차 단위에서 동작하며, 동시에 풀링 및 잔여 스트림에서도 적용되고, 이들 연구에서 FRRN-A와 FRRN-B의 아키텍처를 제안하였으나, FRRN-B가 의미론적으로 구성된 도시 이미지 분류 평가에 활용되는 Cityscapes 벤치마크 데이터 세트에서 FRRN-A 비하여 우수한 성능을 나타냈다. 따라서 본 연구에서는 FRRN-B 아키텍처를 적용하여 분류를 수행하였다.
92로 비슷한 정확도를 보여주고 있다. 기존의 방법인 RF방법은 전체정확도 89%, kappa 0.78로 나타났으며, FRRN-B의 경우 가장 낮은 전체 정확도 88%, kappa는 0.67로 나타났다.
둘째, 딥러닝 모델별 평균 loss를 분석한 결과 150 epoch 이상에서는 평균 정확도와 IOU가 크게 증가하지 않는 것을 알 수 있으며, Deeplabv3+이 가장 빠르게 평균 loss가 감소하는 것을 알 수 있었다.
마지막으로, 정성적 분석의 결과 FC-Densenet과 Deeplabv3+이 GT와 가장 유사한 분류 결과를 보여주고 있다.
본 연구에서 산출된 분류결과의 전체분류정확도와 클래스별 정확도를 산출한 결과는 다음 Table 3∼6과 같고, Deeplabv3+과 FC-Densenet 의 전체정확도(OA:Overall Accuracy)의 경우 가장 높은 정확도를 보였으며(OADeeplab = 97%, KDeeplab = 0.92, OAFC = 96%, KFC = 0.92) 감독분류인 RF의 경우도 전체정확도는 89%, Kappa는 0.78로 나타났다.
소규모 지역에서 딥러닝 모델을 적용하여 피복분류를 수행한 결과 기존의 감독분류 방법인 RF에 비하여 높은 정확도를 보여주고 있어 그 적용성이 확인할 수 있었다. FC-Densenet 및 Deeplabv3+에 UAV 데이터 셋으로 사전 학습된 파라메터를 생성할 수 있었으며, 이를 활용한 test 영상 피복분류를 수행할 수 있었다.
그러나 Feature Resolution이 줄어드는 현상과 이미지의 분할을 정확히 얻지 못하는 문제점을 가지고 있었으며, 이를 해결한 DeepLab V2가 발표되었다. 이후 기존 ResNet 구조에 Atrous Convolution을 활용해 좀 더 조밀한 특징 맵을 얻는 방법을 제안한 Deep Lab V3가 발표되었다. 나아가 Fig.
첫째, 분류정확도를 분석한 결과 Deeplabv3+에서 가장 높은 전체 정확도 97%, kappa 0.92가 나타났으며, FC-Densenet은 정확도 96%, kappa 0.92로 비슷한 정확도를 보여주고 있다. 기존의 방법인 RF방법은 전체정확도 89%, kappa 0.
콘크리트 도로는 모든 분류방법이 모두 효과적으로 분류하였으며, 나지의 경우 FC-Densenet와 RF의 분류자가 GT와 가장 유사한 형태로 추출하였다.

후속연구

Inspire 1은 GNSS(Global Navigation Satellite System), IMU(Inertial Measurement Unit) 등을 탑재하여 사용자가 사전에 입력한 영역을 계획에 따라 자동비행하는 시스템을 포함하고 있으며, 고정익 UAV와 비교하여 소규모 지역을 제한없이 빠른 시간에 촬영할 수 있는 장점을 가지고 있다. 또한, 본 연구에서 분류 및 탐지하고자 하는 대상물질이 농경지이기 때문에, 효과적인 분류를 위한 고해상도 자료가 요구된다. 따라서 Zenmuse X3를 활용하여 고해상도 정사영상을 제작하여 활용하고자 하였다.
이와 같은 오류는 추가 특성 밴드와 데이터 증식을 추가하여 초기 학습을 진행하면 해결될 것으로 판단된다. 또한, 사용된 backbone 데이터의 네트워크 깊이 또한 이와 같은 학습에 영향을 주었을 것으로 판단되며, 현재 사용된 Resnet 50 보다 깊은 Resnet 102로 깊이를 증대한다면 초기 학습에 대한 오류 또한 줄일 수 있을 것이다.
그러나, 위성영상과 공간 해상도와 같은 특성이 달라 위성영상 데이터를 사용하면 분류정확도가 낮아질 수 있다. 이러한 문제점을 해결하기 위하여 위성영상 데이터 셋이 아닌 UAV를 이용한 데이터 셋과 국내의 소규모 복합 피복이 존재하는 농경지 분석에 활용이 가능한 딥러닝 알고리즘 적용 연구가 필요하다.
FC-Densenet 및 Deeplabv3+에 UAV 데이터 셋으로 사전 학습된 파라메터를 생성할 수 있었으며, 이를 활용한 test 영상 피복분류를 수행할 수 있었다. 차후, 피복분류의 활용도를 높이기 위하여 분류 클래스를 추가하여야 할 필요가 있다. 이를 위해 네트워크 깊이를 증가시켜야 하며, 이에 따른 과적합은 데이터 증식 기법 등을 통해 해결하고자 한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	SVM, RF 등의 기계학습 알고리즘은 기존의 방법에 비하여 어떠한 장점과 한계점이 있는가?	기존의 분류기법으로는 SVM, RF 등의 기계학습 알고리즘이 적용·연구되고 기존의 방법에 비하여 높은 정확도를 확보하고 있지만 상대적으로 무감독 분류에 비하여 제작 및 갱신에 많은 시간과 비용이 요구되는 한계가 있다(Kwak et al., 2017;Onojeghuo et al.
	위성영상을 이용한 피복분류의 장점은 무엇인가?	특히, 농업환경 모니터링을 위하여 작물생산 지역의 피복지도 생성에 대한 연구가 활발히 진행되고 있으며, 랜덤 포레스트와 SVM (Support Vector Machine) 및 CNN(Convolutional Neural Network) 을 적용하여 분류 성능을 비교한 결과 영상분류에서 딥러닝 적용에 대하여 활용도가 높은 것으로 나타났다. 특히, 위성영상을 이용한 피복분류는 위성영상 데이터 셋과 선행 파라메터를 사용하여 피복분류의 정확도와 시간에 대한 장점을 가지고 있다. 하지만, 무인항공기 영상은 위성영상과 공간해상도와 같은 특성이 달라 이를 적용하기에는 어려움이 있다.
	UAV를 통해 취득된 영상을 이용한 토지 피복분류는 어떠한 장점으로 인해 다양한 연구가 수행되고 있는가?	최근 UAV (Unmanned Aerial Vehicle)를 이용한 고해상도 영상취득이 편리하게 되면서 소규모지역의 정확한 공간정보 제작이 가능하게 되었다. 이렇게 취득된 영상을 이용한 토지 피복분류는 최신의 공간정보를 저비용으로 제작할 수 있는 장점이 있어 이에 대한 다양한 연구가 수행되고 있다.

참고문헌 (30)

Castro, J.D.B., Feitosa, R.Q., Rosa, L.C.L., Diaz, P.M.A., and Sanches, I.D.A. (2017), A comparative analysis of deep learning techniques for sub-tropical crop types recognition from multitemporal optical/SAR image sequences, Proceedings of 2017 30th SIBGRAPI Conference on Graphics, Patterns and Images, IEEE, 17-20 october, Niteroi, Brazil, pp. 382-389.
Chen, L. C., Zhu, Y., Papandreou, G., Schroff, F., and Adam, H. (2018), Encoder-decoder with atrous separable convolution for semantic image segmentation, In Proceedings of the European conference on computer vision (ECCV), pp. 82-92.
Dang, L.M., Hassan, S.I., Suhyeon, I., kumar Sangaiah, A., Mehmood, I., Rho, S., Seo, S.H., and Moon, H. (2018), UAV based wilt detection system via convolutional neural networks. Sustainable Computing, pp.1-20.
Fisher, P.F., Comber, A.J., and Wadsworth, R. (2005), Land Use and Land Cover: Contradiction or Complement, Re-Presenting GIS, Wiley, Chichester, pp. 85-98.
Gao, Q., Lim, S., & Jia, X. (2018), Hyperspectral image classification using convolutional neural networks and multiple feature learning. Remote Sensing, Vol. 10, No. 2, pp.1-18.
Hall, O., Dahlin, S., Marstorp, H., Archila Bustos, M.F., Oborn, I., and Jirstrom, M. (2018), Classification of maize in complex smallholder farming systems using UAV imagery, Drones, Vol. 2, No. 3, pp.1-8.
Huang, G., Liu, S., Van der Maaten, L., and Weinberger, K. Q. (2018), Condensenet: An efficient densenet using learned group convolutions, In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 2752-2761.
Ishida, T., Kurihara, J., Viray, F.A., Namuco, S.B., Paringit, E.C., Perez, G.J., and Marciano Jr, J.J. (2018), A novel approach for vegetation classification using UAV-based hyperspectral imaging, Computers and Electronics in Agriculture, Vol.144, pp. 80-85.

상세보기
Jegou, S., Drozdzal, M., Vazquez, D., Romero, A., and Bengio, Y. (2017), The one hundred layers tiramisu: Fully convolutional densenets for semantic segmentation, In Proceedings of the IEEE conference on computer vision and pattern recognition workshops, pp. 11-19.
Jhonnerie, R., Siregar, V. P., and Nababan, B. (2017), Comparison of random forest algorithm which implemented on object and pixel based classification for mangrove land cover mapping, ICST 2016, Vol.1, pp. 292-302.
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. 1-17.
Joe, W., Lim, Y., 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)
Kamilaris, A. and Prenafeta-Boldu, F.X. (2018), Deep learning in agriculture: A survey, Computers and Electronics in Agriculture, Vol. 147, pp. 70-90.

상세보기
Karpathy, A., Toderici, G., Shetty, S., Leung, T., Sukthankar, R., and Fei-Fei, L. (2014), Large-scale video classification with convolutional neural networks, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 1725-1732.
Kussul, N., Lavreniuk, M., Skakun, S., and Shelestov, A. (2017), Deep learning classification of land cover and crop types using remote sensing data, IEEE Geoscience and Remote Sensing Letters, Vol. 14, No. 5, pp. 778-782.

상세보기
Kwak, G.H., Park, S., Yoo, H.Y., and Park, N.W. (2017), Updating land cover maps using object segmentation and past land cover information, Korean Journal of Remote Sensing, Vol. 33, No. 6_2, pp. 1089-1100. (in Korean with English abstract)
LeCun, Y., Bengio, Y., and Hinton, G. (2015), Deep learning, Nature, Vol. 521, pp. 436-444.

상세보기
Long, J., Shelhamer, E., and Darrell, T. (2015), Fully convolutional networks for semantic segmentation, In Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 3431-3440.
Murugan, D., Garg, A., and Singh, D. (2017), Development of an adaptive approach for precision agriculture monitoring with drone and satellite data, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, Vol. 10, No. 12, pp. 5322-5328.

상세보기
Onojeghuo, A.O., Blackburn, G.A., Wang, Q., Atkinson, P.M., Kindred, D., and Miao, Y. (2018), Mapping paddy rice fields by applying machine learning algorithms to multi-temporal Sentinel-1A and Landsat data, International Journal of Remote Sensing, Vol. 39, No. 4, pp. 1042-1067.

상세보기
Park, J.K. and Park, J.H. (2015), Crops classification using imagery of unmanned aerial vehicle (UAV), Journal of the Korean Society of Agricultural Engineers, Vol. 57, No. 6, pp. 91-97. (in Korean with English abstract)

원문보기 상세보기
Pohlen, T., Hermans, A., Mathias, M., and Leibe, B. (2017), Full-resolution residual networks for semantic segmentation in street scenes, In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 4151-4160.
Scott, G. J., England, M. R., Starms, W. A., Marcum, R. A., and Davis, C. H. (2017), Training deep convolutional neural networks for land-cover classification of high-resolution imagery, IEEE Geoscience and Remote Sensing Letters, Vol. 14, No. 4, pp. 549-553.

상세보기
Skakun, S., Franch, B., Vermote, E., Roger, J.C., Becker-Reshef, I., Justice, C., and Kussul, N. (2017), Early season large-area winter crop mapping using MODIS NDVI data, growing degree days information and a Gaussian mixture model, Remote Sensing of Environment, Vol. 195, pp. 244-258.

상세보기
Song, A. and Kim, Y. (2017), Deep learning-based hyperspectral image classification with application to environmental geographic information systems, Korean Journal of Remote Sensing, Vol. 33, No. 6, pp. 1061-1073. (in Korean with English abstract)
Sung, S.M. and Lee, J.O. (2016), Accuracy of parcel boundary demarcation in agricultural area using UAV-photogrammetry, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol. 34, No. 1, pp. 53-62. (in Korean with English abstract)

원문보기 상세보기
Torbick, N., Huang, X., Ziniti, B., Johnson, D., Masek, J., and Reba, M. (2018), Fusion of moderate resolution earth observations for operational crop type mapping, Remote Sensing, Vol. 10, No. 7, pp. 1-16.
Xu, X., Ji, X., Jiang, J., Yao, X., Tian, Y., Zhu, Y., Cao, W., Cao, Q., Yang, H., Shi, Z., and Cheng, T. (2018), Evaluation of one-class support vector classification for mapping the paddy rice planting area in Jiangsu Province of China from Landsat 8 OLI imagery, Remote Sensing, Vol. 10, No. 4, pp. 1-23.
Zhong, Y., Fei, F., Liu, Y., Zhao, B. and Jiao, Jial. H. (2017), SatCNN: satellite image dataset classification using agile convolutional neural networks, Remote Sensing Letters, Vol. 8, No. 2, pp. 136-145.

상세보기
Zhong, L., Gong, P., and Biging, G.S. (2014), Efficient corn and soybean mapping with temporal extendability: A multi-year experiment using Landsat imagery, Remote Sensing of Environment, Vol. 140, pp. 1-13.

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