[논문]포인트 클라우드에서 딥러닝을 이용한 객체 분류 및 변화 탐지

서홍덕; 김의명

doi:10.22640/lxsiri.2020.50.2.37

포인트 클라우드에서 딥러닝을 이용한 객체 분류 및 변화 탐지
Object Classification and Change Detection in Point Clouds Using Deep Learning 원문보기

지적과 국토정보 = Journal of cadastre & land informatix, v.50 no.2, 2020년, pp.37 - 51

서홍덕 (남서울대학교 공간정보공학과) , 김의명 (남서울대학교 공간정보공학과)

초록
AI-Helper

머신러닝과 딥러닝 기술의 발달로 인하여 도시의 변화탐지에 이러한 기술을 적용하려는 관심과 시도가 증가하고 있다. 그러나 기존의 변화탐지와 공간정보 구축방법은 여전히 사람에 의해 수작업으로 수행되는 경우가 많아 비용과 시간이 많이 소요되고 있다. 또한 도시지역에서 건축물의 변화탐지를 효율적으로 수행하기 위해서는 많은 인원이 필요한 실정이다. 따라서, 본 연구에서는 포인트 클라우드에서 딥러닝 기술을 적용하여 공간정보 분야에서 활용도가 높은 도로, 건물, 식생의 객체를 분류하고 변화탐지를 수행할 수 있는 방법을 제안하였다. 실험 결과 약 92% 이상의 정확도로 도로, 건물, 식생을 분류하였으며 이를 통해 객체의 속성정보를 자동으로 구축할 수 있었다. 또한, 시계열 데이터가 구축된다면 제안한 방법론을 통해서 변화를 탐지할 수 있고 기 구축된 수치지도의 속성을 검수할 수 있을 것으로 판단된다.

Abstract ▼ AI-Helper

With the development of machine learning and deep learning technologies, there has been increasing interest and attempt to apply these technologies to the detection of urban changes. However, the traditional methods of detecting changes and constructing spatial information are still often performed manually by humans, which is costly and time-consuming. Besides, a large number of people are needed to efficiently detect changes in buildings in urban areas. Therefore, in this study, a methodology that can detect changes by classifying road, building, and vegetation objects that are highly utilized in the geospatial information field was proposed by applying deep learning technology to point clouds. As a result of the experiment, roads, buildings, and vegetation were classified with an accuracy of 92% or more, and attributes information of the objects could be automatically constructed through this. In addition, if time-series data is constructed, it is thought that changes can be detected and attributes of existing digital maps can be inspected through the proposed methodology.

주제어

표/그림 (29)

그림 Figure 1. PointNet architecture
그림 Figure 2. Activate function
그림 Figure 3. Limitations of linear classifiers
그림 Figure 4. ReLU
표 Table 1. Confusion matrix
그림 Figure 5. Point clouds
그림 Figure 6. Ground and non-ground points
그림 Figure 7. Training data
그림 Figure 8. Test data
표 Table 2. Number of test data
표 Table 4. Point clouds
표 Table 5. Label of point clouds
표 Table 3. Attributes of test data
그림 Figure 9. Road extracted from ground points
그림 Figure 10. Vegetation extracted from non-ground points
그림 Figure 11. Building extracted from non-ground points
표 Table 6. Train accuracy and loss of deep learning (unit: %)
그림 Figure 12. Segmentation using PointNet
그림 Figure 13. Extracted straight lines and 3D points
표 Table 7. Accuracy of object segmentation by area (unit: %)
그림 Figure 14. Classification of road using PointNet
표 Table 8. Estimated three-dimensional coordinate transformation parameters by areas
그림 Figure 15. Classification of vegetation using PointNet
그림 Figure 16. Part of the objects for which attribute information was entered through object classification
표 Table 9. Classification using PointNet
그림 Figure 17. Change detection between 2014 and 2019
그림 Figure 19. Changes in the area of road, building and vegetation in seonghwan-eup.
그림 Figure 18. Change detection between 2016 and 2019
표 Table 10. Number of objects by year

참고문헌 (27)

Ministry of Land, Infrastructure and Transport. 2017. Strategies for the development of spatial information-based convergence industries and measures to improve the legal system. Spatial Information Industry Promotion Institute. 1-179.
Kim HJ, Lee JM, Bae KH, Eo YD. 2018. Application Research on Obstruction Area Detection of Building Wall using R-CNN Technique. Journal of Cadastre & Land InformatiX. 48(2): 213-225.

원문보기 상세보기
Ryu SH, Yoon JB. 2017. The Effect of regularization and identity mapping on the performance of activation functions. Journal of the Korea Academia-Industrial cooperation Society. 18(10):75-80.

원문보기 상세보기
Park SH, Choi MH, Oh BW. 2016. A Case Study of the Transformation Process of National Spatial Information Policy. Journal of the Korean Cadastre Information Association. 18(1):99-112.
Seo KH. 2018. GeoAI-based Land Use Change Monitoring Innovation and Utilization Plan. Korea Research Institute For Human Settlements. KRIHS POLICY BRIEF. 694:1-6.
Seo HD, Kim EM. 2019. Object Classification Using Point Cloud and True Ortho-image by Applying Random Forest and Support Vector Machine Techniques. Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography. 37(6):405-416.

원문보기 상세보기
Seo HD, Kim EM. 2020. 3D Coordinate Transformation Based on Point-to-Line Using Quaternion and Procrustes Algorithms. Journal of Institute of Control, Robotics and Systems. 26(10): 863-870.

상세보기
Yang SC. 2019. A Study on Improving Availability of Open Data by Location Intelligence. Journal of Cadastre & Land InformatiX. 49(1):93-107.
Oh YK. 2018. Spatio-temporal Analysis of Forest Change using Spatial Information : A case study of Heongseong and Wonju. Journal of Cadastre & Land InformatiX. 48(2):21-30.

원문보기 상세보기
Lee DK, Cho EJ, Lee DC. 2018. Evaluation of Building Detection from Aerial Images Using Region-based Convolutional Neural Network for Deep Learning. Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography. 36(6):469-481.

원문보기 상세보기
Jo WH, Lim YH, Park KH. 2019. Deep learning based Land Cover Classification Using Convolutional Neural Network - a case study of Korea -. Journal of the Korean Geographical Society. 54(1):1-16.
Chai BS, Mun JK, Lee MH. 2015. Illegal Act and Management System within Greenbelt and Improvement of Policy. The Korea Spatial Planning Review. 84:145-163.
Cheonan-Si. 2020. Cheonan-Si statistics [Internet]. [https://www.cheonan.go.kr/stat.do]. Last accessed 4 September 2020.
Han SH. 2016. Introduction to Photogrammetry and Remote Sensing. Goomibook. p. 348-350.
Hong SP, Kim EM. 2018. Classification of 3D Road Objects Using Machine Learning. Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography. 36(6):535-544.

원문보기 상세보기
Agarap AF. 2018. Deep learning using rectified linear units (relu). arXiv preprint. arXiv:1803.08375.
Ertugrul OF. 2018. A novel type of activation function in artificial neural networks: Trained activation function. Neural Networks. 99:148-157.

상세보기
Jaderberg M, Simonyan K, Zisserman A. 2015. Spatial transformer networks. In Advances in Neural Information Processing Systems, 7-12 December 2015, Montreal, Canada. 2017-2025.
Liu Z, Tang H, Lin Y, Han S. 2019. Point-voxel CNN for efficient 3D deep learning. In Advances in Neural Information Processing Systems, 8-14 December 2019, Vancouber, Canada. 965-975.
Qi CR, Su H, Mo K, Guibas, LJ. 2017. Pointnet: Deep learning on point sets for 3d classification and segmentation. In Proceedings of the IEEE conference on computer vision and pattern recognition, 21-26 July 2017, Honolulu, USA. 652-660.
Choy CB, Xu D, Gwak J, Chen K, Savarese S. 2016. 3d-r2n2: A unified approach for single and multi-view 3d object reconstruction. In European conference on computer vision, Springer, Cham, 8-16 October 2016, Amsterdam, Netherlands. 628-644.
Riegler G, Osman Ulusoy A, Geiger A. 2017. Octnet: Learning deep 3d representations at high resolutions. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, CVPR, 21-26 July 2017, Honolulu, USA, 3577-3586.
Fusiello A, Crosilla F, Malapelle F. 2015. Procrustean point-line registration and the NPnP problem, In 2015 International Conference on 3D Vision, 19-22 October 2015, Lyon, France, 250-255.
Habib A, Mazaheri M. 2015. Quaternion-based solutions for the single photo resection problem, Photogrammetric Engineering & Remote Sensing. 81(3):209-217.

상세보기
Vignesh T, Thyagharajan, KK, Ramya K. 2019. Change detection using deep learning and machine learning techniques for multispectral satellite images, International Journal of Innovative Technology and Exploring Engineering. 9(1S):90-93.
Wikipedia. 2004. Support vector machine; [accessed: 2020 September 3]. https://en.wikipedia.org/wiki/Support_vector_machine.
Zhang W, Qi J, Wan P, Wang H, Xie D, Wang X, Yan G. 2016. An easy-to-use airborne LiDAR data filtering method based on cloth simulation, ISPRS Annals of the Photogrammetry, Remote Sensing, 8(6): 501.

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