[논문]원격 탐사 영상 정합을 위한 딥러닝 기반 특징점 필터링

성준영; 이우주; 오승준

doi:10.5909/jbe.2021.26.1.26

원격 탐사 영상 정합을 위한 딥러닝 기반 특징점 필터링
Deep Learning-based Keypoint Filtering for Remote Sensing Image Registration 원문보기

방송공학회논문지 = Journal of broadcast engineering, v.26 no.1, 2021년, pp.26 - 38

성준영 (광운대학교 전자공학과) , 이우주 (광운대학교) , 오승준 (광운대학교 전자공학과)

초록
AI-Helper

본 논문에서는 원격 탐사 영상에 대한 특징 기반 영상 정합 (Image Registration) 방법의 고속화를 위한 딥러닝 기반 특징점 필터링 방법인 DLKF (Deep Learning Keypoint Filtering)를 제안한다. 기존의 특징 기반 영상 정합 방법의 복잡도는 특징 매칭 (Feature Matching) 단계에서 발생한다. 이 복잡도를 줄이기 위하여 본 논문에서는 특징 매칭이 영상의 구조물에서 검출된 특징점으로 매칭되는 것을 확인하여 특징점 검출기에서 검출된 특징점 중에서 구조물에서 검출된 특징점만 필터링하는 방법을 제안한다. DLKF는 영상 정합을 위하여 필수적인 특징점을 잃지 않으면서 그 수를 줄이기 위하여 구조물의 경계와 인접한 특징점을 보존하고, 서브 샘플링 (Subsampling)된 영상을 사용한다. 또한 영상 분할 (Image Segmentation) 방법을 위해 패치 단위로 잘라낸 영상을 다시 합칠 때 생기는 영상 패치 경계의 잡음을 제거하기 위하여 영상 패치를 중복하여 잘라낸다. DLKF의 성능을 검증하기 위하여 아리랑 3호 위성 원격 탐사 영상을 사용하여 기존 특징점 검출 방법과 속도와 정확도를 비교하였다. SIFT 기반 정합 방법을 기준으로 SURF 기반 정합 방법은 특징점의 수를 약 18% 감소시키고 속도를 약 2.6배 향상시켰지만 정확도가 3.42에서 5.43으로 저하되었다. 제안하는 방법인 DLKF를 사용하였을 때 특징점의 수를 약 82% 감소시키고 속도를 약 20.5배 향상시키면서 정확도는 4.51로 저하되었다.

Abstract ▼ AI-Helper

In this paper, DLKF (Deep Learning Keypoint Filtering), the deep learning-based keypoint filtering method for the rapidization of the image registration method for remote sensing images is proposed. The complexity of the conventional feature-based image registration method arises during the feature matching step. To reduce this complexity, this paper proposes to filter only the keypoints detected in the artificial structure among the keypoints detected in the keypoint detector by ensuring that the feature matching is matched with the keypoints detected in the artificial structure of the image. For reducing the number of keypoints points as preserving essential keypoints, we preserve keypoints adjacent to the boundaries of the artificial structure, and use reduced images, and crop image patches overlapping to eliminate noise from the patch boundary as a result of the image segmentation method. the proposed method improves the speed and accuracy of registration. To verify the performance of DLKF, the speed and accuracy of the conventional keypoints extraction method were compared using the remote sensing image of KOMPSAT-3 satellite. Based on the SIFT-based registration method, which is commonly used in households, the SURF-based registration method, which improved the speed of the SIFT method, improved the speed by 2.6 times while reducing the number of keypoints by about 18%, but the accuracy decreased from 3.42 to 5.43. Became. However, when the proposed method, DLKF, was used, the number of keypoints was reduced by about 82%, improving the speed by about 20.5 times, while reducing the accuracy to 4.51.

주제어

표/그림 (15)

표 표 1. SIFT 기반 정합 방법의 전체 계산 시간과 매칭 단계의 계산 시간 Table 1. Calculation time of SIFT-based Registration method in overall and matching phase
그림 그림 1. 원격 탐사 영상에서 검출된 특징점과 SIFT 기반 정합 방법을 사용해 매칭된 결과 Fig. 1. The results of matching the features selected from the remote sensing image with the SIFT-based registration
표 표 2. SIFT 및 SURF 기반 정합 방법의 특징점 검출 및 특징 매칭 결과 Table 2. Keypoint detection and feature matching results of SIFT and SURF-based registration methods
그림 그림 2. DLKF를 포함한 특징 기반 영상 정합 방법의 전체 구조 Fig. 2. The architecture of the feature-based image Registration method, including DLKF
그림 그림 3. U-Net 기반 구조물 분할 방법의 구조 Fig. 3. The architecture of U-Net based structure segmentation method
그림 그림 4. 특징점 필터링 과정 예시 Fig. 4. Example of the keypoint filtering process
그림 그림 5. 구조물의 경계와 가까운 특징점에 대한 특징점 필터링 결과. (a) 입력 영상에 대한 SIFT 기반 특징점 검출기의 결과, (b) 입력 영상에 특징점 필터링을 적용한 결과 Fig. 5. The keypoint filtering results for close keypoint to boundaries of artificial structure. (a) SIFT-based feature point detector results for the input image, (b) The result of applying keypoint filtering to the input image
그림 그림 6. 구조물의 경계와 가까운 특징점에 대한 영상 팽창을 포함한 특징점 필터링 결과. (a) 입력 영상에 대한 SIFT 기반 특징점 검출기의 결과, (b) 입력 영상에 영상 팽창을 포함한 특징점 필터링을 적용한 결과 Fig. 6. The keypoint filtering including image expansion results for close keypoint to boundaries of artificial structure. (a) SIFT-based keypoint detector results for the input image, (b) Result of applying keypoint filtering including image dilation to the input image
그림 그림 7. 구조물 분할 결과 Fig. 7. The results of structure segmentation
그림 그림 8. 패치 잘라내기 방법 비교. (a) 패치를 중복시키지 않고 잘라낸 방법의 예시, (b) 패치를 중복시켜 잘라낸 방법의 예시 Fig. 8. Comparison of patch crop methods. (a) Example of how to crop patches without overlapping, (b) Example of how to crop overlapping patches
그림 그림 9. 잘라내기 방법에 따른 구조물 분할 결과 비교. (a) 패치를 중복시키지 않고 잘라낸 방법의 분할결과, (b) 패치를 중복시켜 잘라낸 방법의 분할결과 Fig. 9. Comparison of structure segmentation results according to the crop method. (a) The segmentation result of how to crop patches without overlapping, (b) The segmentation result of how to crop overlapping patches
표 표 3. 원격 탐사 영상에 대한 SIFT 기반 정합 방법 및 서브 샘플링이 추가된 방법의 결과 비교 Table 3. Comparison of results of SIFT-based registration method for remote sensing images and method with subsampling added
표 표 4. 제안하는 방법의 추가에 따른 기준 방법과의 성능 비교. Table 4. Performance comparison with the baseline method according to the addition of the proposed method.
표 표 5. DLKF를 포함한 SIFT 기반 정합 방법과 기존 방법들의 성능 비교. Table 5. Performance Comparison between SIFT-based registration methods with DLKF and the conventional methods.
그림 그림 10. 아리랑 3호 위성 원격 탐사 영상에 대한 기존 방법들과 DLKF를 포함한 SIFT 기반 정합 방법의 결과. (a) 감지 영상, (b) 기준 영상, (c) SIFT 기반 정합 방법의 결과 영상과 기준 영상을 모자이크 한 결과, (d) SURF 기반 정합 방법의 결과 영상과 기준 영상을 모자이크 한 결과, (e) DLKF를 포함한 SIFT 기반 정합 방법의 결과와 기준 영상을 모자이크 한 결과 Fig. 10. The registration results of the conventional methods and SIFT-based registration methods with DLKF for images of KOMPSAT-3. (a) Sensed image, (b) Reference image, (c) The mosaic image of reference images and result of SIFT-based registration methods, (d) The mosaic image of reference images and result of SURF-based registration methods, (e) The mosaic image of reference images and result of SIFT-based registration methods with DLKF

AI 본문요약
AI-Helper

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

문제 정의

본논문에서는구조물의경계에서보존되는영상의영역을확장하는방법을추가하여이문제를해결하고자한다. 확장방법으로는영상팽창을적용한다.
본논문에서는원격탐사영상에대한특징기반영상정합방법의고속화를위한딥러닝기반특징점필터링방 법인DLKF를제안했다. 기존의 특징기반 영상정합 방법의 복잡도는특징매칭단계에서발생한다.
본논문의목표는기존의영상정합방법과비교하였을때 정확도성능은유지하면서특징매칭에사용되는특징점의 개수를줄이는특징점필터링방법을개발하는것이다. 아리랑 3호 데이터 세트에 대한 본 논문의실험에서, DLKF는전통적인방법에비해정확도는유지하면서속도는향상된 다.

가설 설정

(b)에서는없어진것을확인할수있 다.
0보다 큰 불량점의 비율 (), 잔차 산점도 (Residual Plot)의선호축존재에대한통계적평가(_), 영상전체에걸친제어점분포의선도에대한통계적평가 (_), 위의7개의지표의가중치합()를포함하여영상정합의정확도성능을평가한다. _를제외하고 모든 지표는 값이 작을 수록성능이 좋다. 또한정합결과에대한모자이크영상은영상정합의정성적평가에사용된다.

제안 방법

표5. DLKF를포함한SIFT 기반정합방법과기존방법들의성능비교.
구조물에서검출된특징점과배경에서검출된특징점을구분하기위하여그림3과같이구조물과배경을구분하는 구조물분할방법을추가하였다. 구조물분할방법은영상분할분야에서널리사용되고있는U-Net을사용하였다^[9].
이때 구조물 분할 방법의 결과 인이 진영상(Binary Image)에대해영상팽창(Dilation)을적용하고원본영상과요소곱을통 하여변환한다. 그 뒤 합성된 영상과 원본 영상은 검출된 특징점의정보를바탕으로서술자를계산한다. 두영상에서생성된같은위치의서술자를비교하여특징점을필터 링한다.
특징점필터링은영상의구조물을제외한나머지영역인배경을딥러닝기반영상분할방법을 사용하여제거한다. 그후, 원본 영상과 배경이 제거된 영상을 비교하여필터링을수행한다. 영상배경은각패치에대해개별적으로제거되며각패치는중첩되어잘린다.
하드웨어설계의경우에는부분적으로일시적인결과만저장하는즉석특징검 출(On-the-fly Feature Extraction)을사용했다. 또한 정밀 등가 사이클(Precision Equivalent Cycles) 을갖추어특징점의지역화(Localization) 단계에서의비용을줄였다.
DLKF는영상정합을위하여필수적인특징점을잃지않으면서그수를줄이기 위하여구조물의경계와인접한특징점의보존하고, 서브 샘플링된 영상을 사용하며, 구조물분할방법의결과에서생기는영상패치경계의잡음을제거하기위하여영상패 치를중복하여잘라냄으로써정합속도를향상시킨다. 또한, 알고리즘의학습단계에서는학습영상과시험영상의특성의차이로인해생기는성능저하문제를개선하기위 해히스토그램사상기법을사용하여데이터증강을진행 하였다. 제안하는방법의성능을검증하기위하여아리랑 3호위성원격탐사영상을사용하여기존특징점검출방 법과속도와정확도를비교하였다.
본논문에서는SIFT 및SURF 기반 정 합방법과 성능 비교를 진행한다. 구현및실험ePyCharm 인터페이스에서 이루어졌고, GPU는Nvidia GeForce 1080ti를사용하였다.
구조물 분할 방법의 학습데이터 세트는 공개된 영상분할데이터세트인Massachusetts Roads 데이터세트와Massachusetts Buildings 데이터 세트를 사용하였다. 원격탐사영상인시험데이터세트와항공영상인학습데이터세트의특성의차이를보완하기위해히스 토그램사상(Mapping)을통한데이터증강(Data Aug- mentation)을진행하였다.
기존의 특징기반 영상정합 방법의 복잡도는특징매칭단계에서발생한다. 이복잡도를줄이기위하여본논문에서는특징매칭이영상의구조물에 서검출된특징점으로매칭되는것을확인하여특징점검 출기에서검출된특징점중에서구조물에서검출된특징점 만필터링하는방법을제안하였다. DLKF는영상정합을위하여필수적인특징점을잃지않으면서그수를줄이기 위하여구조물의경계와인접한특징점의보존하고, 서브 샘플링된 영상을 사용하며, 구조물분할방법의결과에서생기는영상패치경계의잡음을제거하기위하여영상패 치를중복하여잘라냄으로써정합속도를향상시킨다.
[12] 에서는반복성이높은크기변화에강인한검출기를만들었다. 해리스 측정값이나헤시안행렬의결정인자를 사용하여위치를선택하고, 라플라시안을 사용하여 크기를 선택했다. [13] 에서는속도에초점을맞추어가우시안차이(DoG) 필터로라플라시안오브가우시안 (LoG)을근사화할것을제안했다.

대상 데이터

시험데이터세트는2012년5월18일에발사된다목적실용 위성인아리랑3호(KOMPSAT-3)에서취득된서울및여 의도지역의동일한지역을다른시간대에촬영한위성탐 사영상을사용하였다. 구조물 분할 방법의 학습데이터 세트는 공개된 영상분할데이터세트인Massachusetts Roads 데이터세트와Massachusetts Buildings 데이터 세트를 사용하였다. 원격탐사영상인시험데이터세트와항공영상인학습데이터세트의특성의차이를보완하기위해히스 토그램사상(Mapping)을통한데이터증강(Data Aug- mentation)을진행하였다.
구현및실험ePyCharm 인터페이스에서 이루어졌고, GPU는Nvidia GeForce 1080ti를사용하였다. 시험데이터세트는2012년5월18일에발사된다목적실용 위성인아리랑3호(KOMPSAT-3)에서취득된서울및여 의도지역의동일한지역을다른시간대에촬영한위성탐 사영상을사용하였다.
구현및실험ePyCharm 인터페이스에서 이루어졌고, GPU는Nvidia GeForce 1080ti를사용하였다. 시험데이터세트는2012년5월18일에발사된다목적실용 위성인아리랑3호(KOMPSAT-3)에서취득된서울및여 의도지역의동일한지역을다른시간대에촬영한위성탐 사영상을사용하였다. 구조물 분할 방법의 학습데이터 세트는 공개된 영상분할데이터세트인Massachusetts Roads 데이터세트와Massachusetts Buildings 데이터 세트를 사용하였다.

데이터처리

본논문의실험에서는[23] 에소개된측정지표를사용하여제어점수(_), 모든 제어점을 기반으로 픽셀 크기로 정규화된 루트평균제곱오차(Root Mean Square Error, _), 리브-원-아웃(Leave-one-out) 방법을기반으로제어점의잔차로계산된루트평균제곱오차(_), 사분면에걸친잔차분포의통계적평가(_), 표준값이 1.0보다 큰 불량점의 비율 (), 잔차 산점도 (Residual Plot)의선호축존재에대한통계적평가(_), 영상전체에걸친제어점분포의선도에대한통계적평가 (_), 위의7개의지표의가중치합()를포함하여영상정합의정확도성능을평가한다. _를제외하고 모든 지표는 값이 작을 수록성능이 좋다.
또한, 알고리즘의학습단계에서는학습영상과시험영상의특성의차이로인해생기는성능저하문제를개선하기위 해히스토그램사상기법을사용하여데이터증강을진행 하였다. 제안하는방법의성능을검증하기위하여아리랑 3호위성원격탐사영상을사용하여기존특징점검출방 법과속도와정확도를비교하였다. 가장 보편적으로 사용되는 SIFT 기반정합방법을기준으로하여비교하였을때 SIFT 방법의속도를개선시킨SURF 기반정합방법은특징점의수를약18% 감소시키고 속도를 약 2.

이론/모형

SURF는특징의회전이나크기변화에강인하며기존의SIFT에서 가장문제가되었던계산속도를개선하기위한3가지방법 을적용하였다. 첫번째는적분영상의적용이다.
구조물분할방법은영상분할분야에서널리사용되고있는U-Net을사용하였다^[9]. 입력영상은× 크기의 패치단위로변환이진행되어변환후다시원본영상의크기로합쳐진다.
마지막단계에서는매칭된서술자쌍을이용하여 좌표 변환 식을 계산한다. 본 논문에서는 잘못 매칭된 제어점(Control Point)을식별하여좌표변환식계산에서제외하는RANSAC (Random Sample Consensus) 알고리즘(Algorithm)을사용한다. 그뒤에어파인(Affine) 매개변수를구하여기하학적으로변형시켜정합된영상을얻는다^[4].
LPSIFT (Layer Parallel SIFT)는프레임수준계산으로인한긴지연시간을피하기위해상 자커널(Box Kernel) 로재구성된계층병렬방법을사용하여반복된가우스블러연산을대체했다^[7]. 상자커널의계산은서브커널(Sub Kernel) 의합계를재사용하는통합영상접근법으로더욱단순화되었다. 하드웨어설계의경우에는부분적으로일시적인결과만저장하는즉석특징검 출(On-the-fly Feature Extraction)을사용했다.
표3은원본영상과쌍입방보간법(Bicubic Interpolation) 을사용하여서브샘플링된영상을SIFT 기반정합방법을사용하여비교실험한결과이다. 성능비교에대한지표는[23]에소개된 측정지표를 사용하였다. 가장 보편적으로 사용되는 SIFT 기반정합방법을기준으로하여비교하였을때서브샘플링된영상을사용하는방법은특징 점의수를약67% 감소시키고속도를약9.
영역기반 정 합방법은 구현이 쉽다는 장점이 있지만밝기변화, 조명변화, 잡음 등 외부변화에 민감하다는 단점이 있다. 특징기반정합방법은외부변화에상대적으로강인한특성을보여서본논문에서는특징기반정합방법 을기준방법(Baseline Method)으로사용한다.
상자커널의계산은서브커널(Sub Kernel) 의합계를재사용하는통합영상접근법으로더욱단순화되었다. 하드웨어설계의경우에는부분적으로일시적인결과만저장하는즉석특징검 출(On-the-fly Feature Extraction)을사용했다. 또한 정밀 등가 사이클(Precision Equivalent Cycles) 을갖추어특징점의지역화(Localization) 단계에서의비용을줄였다.

성능/효과

가장보편적으로사용되는SIFT 기반정합방법을기준으로하여비교하였을때 SIFT 기반정합방법대비SURF 기반정합방법은정확도가떨어지지만, 속도 측면에서 개선이 있었다. DLKF를 포함한 SIFT 기반 정합 방법은 SURF 기반정합방법보다정확도측면에서성능저하가 덜하면서 속도 측면에서 SIFT 및SURF 기반정합방법보다개선된것을확인할 수 있다. SURF 기반정합방법은특징점의수를약18% 감소시키면서 속도를 약 2.
05%만이 매칭된다. SURF 기반 정 합방법의 실험 결과는 SIFT 기반정합방법보다속도가향상됨에도불구하고여전히전체특징점의약0.04%만이매칭 되고정확도는떨어지는것을보여준다. 이는특징매칭단계에서SURF 기반정합방법이여전히불필요한특징점이많다는것을 보여준다.
DLKF를 포함한 SIFT 기반 정합 방법은 SURF 기반정합방법보다정확도측면에서성능저하가 덜하면서 속도 측면에서 SIFT 및SURF 기반정합방법보다개선된것을확인할 수 있다. SURF 기반정합방법은특징점의수를약18% 감소시키면서 속도를 약 2.6배향상시켰지만정확도가3.42에서5.43으로저하됐다. 그러나 DLKF를포함한SIFT 기반정합방법을사용하였을때특징점의수를약 82% 감소시키고 속도를 약 20.
제안하는방법의성능을검증하기위하여아리랑 3호위성원격탐사영상을사용하여기존특징점검출방 법과속도와정확도를비교하였다. 가장 보편적으로 사용되는 SIFT 기반정합방법을기준으로하여비교하였을때 SIFT 방법의속도를개선시킨SURF 기반정합방법은특징점의수를약18% 감소시키고 속도를 약 2.6배향상시켰지만정확도가3.42에서5.43으로저하되었다. 그러나제안하는방법인DLKF를사용하였을때특징점의수를약 82% 감소시키고속도를약20.
성능비교에대한지표는[23]에소개된 측정지표를 사용하였다. 가장 보편적으로 사용되는 SIFT 기반정합방법을기준으로하여비교하였을때서브샘플링된영상을사용하는방법은특징 점의수를약67% 감소시키고속도를약9.3배향상시키면서정확도는3.42에서3.64로정확도가비슷하게유지 되었다.
다. 가장보편적으로사용되는SIFT 기반정합방법을기준으로하여비교하였을때 SIFT 기반정합방법대비SURF 기반정합방법은정확도가떨어지지만, 속도 측면에서 개선이 있었다. DLKF를 포함한 SIFT 기반 정합 방법은 SURF 기반정합방법보다정확도측면에서성능저하가 덜하면서 속도 측면에서 SIFT 및SURF 기반정합방법보다개선된것을확인할 수 있다.
의료연구에서는자동화된현미경실험으로몇테라바이트(Terabyte)에달하는영상이생성 되는데, 이에대해각영상에대해시맨틱분할(Semantic Segmentation) 방법을 통해셀(Cell)과셀구성요소를 분류했다. 결과적으로 U-Net의구조를활용하여아주적은양의학습데이터만으로데이터증강(Data Augmentation) 을활용하여여러생물의학영상분할문제에서우수한 성능을보여주었다. U-Nete고차원형태의영상을저차원형태의영상으로변경시켜주는부호화기(Encoder)와 부호화된영상을다시원래형태로복원해주는복호화기 (Decoder) 구조를가지고있다.
43으로저하됐다. 그러나 DLKF를포함한SIFT 기반정합방법을사용하였을때특징점의수를약 82% 감소시키고 속도를 약 20.5배향상시키면서정확도는4.51로저하됐다.
43으로저하되었다. 그러나제안하는방법인DLKF를사용하였을때특징점의수를약 82% 감소시키고속도를약20.5배향상시키면서정확도는 4.51로저하되었다.
3배개선된다. 마지막으로 SIFT + DLKF는 패치를 중복 시켜 잘라낸 방법까지 모두추가한제안방법으로정합실험을진행한결과이다. 이전 방법에 비해 속도는 약 0.
아리랑 3호 데이터 세트에 대한 본 논문의실험에서, DLKF는전통적인방법에비해정확도는유지하면서속도는향상된 다. 또한, 기존의특징기반정합방법에적용될 수 있다.
그림10의(c)-(e)는이한쌍의영상을SIFT 및SURF 기반정합방법및DLKF를통해하나의체크보드(Check Board) 영상으로나타낸다. 초록 상자 영역을 확대한 부분의 빨간 상자 영역을비교했을때, SURF 기반정합방법의결과영상에서어긋나있는건물부분이DLKF를포함한 SIFT 기반정합방법의결과영상에서는SIFT 기반정합 방법의결과영상과유사한것을확인할 수 있다.
Number of Key points는 두 영상에서 검출된 특징점의합계이고Matched Key points는 두 영상에서 매칭된 특징점쌍이다. 표2를보면SIFT 기반정합방법은검출기에서검출된총특징점의0.05%만이 매칭된다. SURF 기반 정 합방법의 실험 결과는 SIFT 기반정합방법보다속도가향상됨에도불구하고여전히전체특징점의약0.

참고문헌 (23)

B. Zitova, J. Flusser, "Image registration methods: a survey" Image and Vision Computing, Vol.21, No.11, pp.977-1000, June 2003.

상세보기
S. Suri, P. Reinartz, "Mutual-information-based registration of terrasar-x and ikonos imagery in urban areas" IEEE Transactions on Geoscience and Remote Sensing, Vol. 48, No.2, pp.939-949, November 2009.

상세보기
J.P. Kern, M.S. Pattichis, "Robust multispectral image registration using mutual-information models" IEEE Transactions on Geoscience and Remote Sensing, Vol.45, No.5, pp.1494-1505, April 2007.

상세보기
H. Bay, A. Ess, T. Tuytelaars, L.V. Gool, "Speeded-up robust features (surf)" Computer Vision and Image Understanding, Vol.110, No3, pp.346-359, June 2008.

상세보기
D. Lowe, "Distinctive image features from scale-invariant keypoints" International Journal of Computer Vision, Vol.60, No.2, pp.91-110, January 2004.

상세보기
M.I. Patel, V.K. Thakar, "Speed Improvement in Image Registration using Maximum Likelihood based Mutual Information" International Conference on Advanced Computing and Communication Systems, Coimbatore, India, pp.1-3, 2015.
L.C. Chiu, T.S. Chang, J.Y. Chen, N.Y.C. Chang, "Fast SIFT Design for Real-Time Visual Feature Extraction" IEEE Transactions on Image Processing, Vol. 22, No. 8, pp.3158-3167, August 2013.

상세보기
Y. LeCun, Y. Bengion and G. Hinton, "Deep learning," Nature, Vol. 521, pp.436-444, May 2015.

상세보기
O. Ronneberger, P. Fischer, and T. Brox, "U-Net: Convolutional networks for biomedical image segmentation" Medical Image Computing and Computer-Assisted Intervention, Vol.9351. pp.234-241, November 2015.
C. Harris, M. Stephens, "A combined corner and edge detector" Alvey Vision Conference, Manchester, UK, pp. 147-151, 1988.
T. Lindeberg, "Feature detection with automatic scale selection", International Journal of Computer Vision, Vol. 30, No.2, pp.79-116, Novemver 1998.
K. Mikolajczyk, C. Schmid, "Indexing based on scale invariant interest points" International Conference on Computer Vision, Vancouver, Canada, pp.525-531, 2001.
D. Lowe, "Object recognition from local scale-invariant features" International Conference on Computer Vision, Kerkyra, Greece, pp.1150-1157, 1999.
T. Kadir, M. Brady, "Scale, saliency and image description" International Journal of Computer Vision, Vol. 45, No.2, pp.83-105, Novemver 2001.
F. Jurie, C. Schmid, "Scale-invariant shape features for recognition of object categories" IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Washington, DC, USA, pp.90-96, 2004.
L.M.J. Florack, B.M. ter Haar Romeny, J.J. Koenderink, M.A. Viergever, "General intensity transformations and differential invariants" Journal of Mathematical Imaging and Vision, Vol.4, No.2, pp.171-187, May 1994.

상세보기
F. Mindru, T. Tuytelaars, L. Van Gool, T. Moons, "Moment invariants for recognition under changing viewpoint and illumination" Computer Vision and Image Understanding, Vol.94 No.1-3, pp.3-27, April 2004.

상세보기
A. Baumberg, "Reliable feature matching across widely separated views" IEEE Conference on Computer Vision and Pattern Recognition, Hilton Head Island, SC, USA, pp.774-781, 2000.
W.T. Freeman, E.H. Adelson, "The design and use of steerable filters" IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.13, No.9, pp.891-906, September 1991.

상세보기
G. Carneiro, A.D. Jepson, "Multi-scale phase-based local features" IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Madison, WI, USA, pp.736-743, 2003.
Y. Ke, R. Sukthankar, "PCA-SIFT: a more distinctive representation for local image descriptors" IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Washington, DC, USA, pp.506-513, 2004.
K. Mikolajczyk, C. Schmid, "A performance evaluation of local descriptors" IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.27, No.10, pp.1615-1630, October 2003.

상세보기
H. Goncalves, J.A. Goncalves, L. Corte-Real, "Measures for an objective evaluation of the geometric correction process quality" IEEE Geoscience and Remote Sensing Letters, Vol.6, No.2, pp.292-296, April 2009.

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