[논문]항공 및 위성영상을 활용한 토지피복 관련 인공지능 학습 데이터 구축 및 알고리즘 적용 연구

이성혁; 이명진

doi:10.7780/kjrs.2021.37.5.1.4

항공 및 위성영상을 활용한 토지피복 관련 인공지능 학습 데이터 구축 및 알고리즘 적용 연구
A Study of Establishment and application Algorithm of Artificial Intelligence Training Data on Land use/cover Using Aerial Photograph and Satellite Images 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.37 no.5 pt.1, 2021년, pp.871 - 884

이성혁 (한국환경연구원 환경계획연구실) , 이명진 (한국환경연구원 환경데이터전략센터)

초록
AI-Helper

본 연구의 목적은 항공 및 위성영상을 활용한 토지피복 관련 인공지능 학습 데이터를 구축, 검증 및 알고리즘 적용의 효율화 방안을 연구하였다. 이를 위하여 토지피복 8개 항목에 대하여 고해상도의 항공영상 및 Sentinel-2 인공위성에서 얻은 이미지를 사용하여 0.51 m 및 10 m Multi-resolution 데이터셋을 구축하였다. 또한, 학습 데이터의 구성은 Fine data (총 17,000개) 와 Coarse data (총 33,000개)를 동시 구축 및 정밀한 변화 탐지 및 대규모 학습 데이터셋 구축이라는 2가지 목적을 달성하였다. 학습 데이터의 정확도를 위한 검수는 정제 데이터, 어노테이션 및 샘플링으로 3단계로 진행하였다. 최종적으로 검수가 완료된 학습데이터를 Semantic Segmentation 알고리즘 중 U-Net, DeeplabV3+에 적용하여, 결과를 분석하였다. 분석결과 항공영상 기반의 토지피복 평균 정확도는 U- Net 77.8%, Deeplab V3+ 76.3% 및 위성영상 기반의 토지피복에 대한 평균 정확도는 U-Net 91.4%, Deeplab V3+ 85.8%이다. 본 연구를 통하여 구축된 고해상도 항공영상 및 위성영상을 이용한 토지피복 인공지능 학습 데이터셋은 토지피복 변화 및 분류에 도움이 되는 참조자료로 활용이 가능하다. 향후 우리나라 전체를 대상으로 인공지능 학습 데이터셋 구축 시, 토지피복을 연구하는 다양한 인공지능 분야에 활용될 것으로 기대된다.

Abstract ▼ AI-Helper

The purpose of this study was to determine ways to increase efficiency in constructing and verifying artificial intelligence learning data on land cover using aerial and satellite images, and in applying the data to AI learning algorithms. To this end, multi-resolution datasets of 0.51 m and 10 m each for 8 categories of land cover were constructed using high-resolution aerial images and satellite images obtained from Sentinel-2 satellites. Furthermore, fine data (a total of 17,000 pieces) and coarse data (a total of 33,000 pieces) were simultaneously constructed to achieve the following two goals: precise detection of land cover changes and the establishment of large-scale learning datasets. To secure the accuracy of the learning data, the verification was performed in three steps, which included data refining, annotation, and sampling. The learning data that wasfinally verified was applied to the semantic segmentation algorithms U-Net and DeeplabV3+, and the results were analyzed. Based on the analysis, the average accuracy for land cover based on aerial imagery was 77.8% for U-Net and 76.3% for Deeplab V3+, while for land cover based on satellite imagery it was 91.4% for U-Net and 85.8% for Deeplab V3+. The artificial intelligence learning datasets on land cover constructed using high-resolution aerial and satellite images in this study can be used as reference data to help classify land cover and identify relevant changes. Therefore, it is expected that this study's findings can be used in the future in various fields of artificial intelligence studying land cover in constructing an artificial intelligence learning dataset on land cover of the whole of Korea.

주제어

표/그림 (14)

그림 Fig. 1. Flow chart of in this study.
그림 Fig. 2. Study area for dataset. Seoul, Gyeonggi-do and Gangwon-do, Chungcheong-do.
표 Table 1. Image data information used in this study
표 Table 2. Codes and classification criteria for each classification item
그림 Fig. 3. Fine annotation and coarse annotation example: (a) is an example of an aerial image, and (b) is an example of a satellite image.
그림 Fig. 4. Example of training dataset configuration: (a) is image data (tiff), (b) is annotation data (tiff), and (c) is metadata (json).
표 Table 3. Information contained in metadata
표 Table 4. The amount of dataset construction of aerial imagery and satellite imagery by region
그림 Fig. 5. Examples of annotation errors: (a) is underclassified, (b) is overclassified, and (c) is misclassified.
표 Table 5. Hyperparameter values used in the algorithms
표 Table 6. Algorithm accuracy for each category of Seoul Gyeonggi region classification in the aerial image dataset
표 Table 7. Algorithm accuracy for each classification item in Gangwon-Chungcheong of the aerial image dataset
표 Table 8. Algorithm accuracy for each category of Seoul-Gyeonggi region classification of satellite image dataset
표 Table 9. Algorithm accuracy for each classification item in Gangwon-Chungcheong of the satellite image dataset

AI 본문요약
AI-Helper

문제 정의

분석결과, 항공영상 및 위성영상 각각에 대하여 U-Net이 전반적으로 높은 정확도를 나타냈으며, 토지피복 분류 항목에서는 수도권의 산림이 약 95%의 정확도로 가장 높은 분류 정확도를 나타내었다. 또한, 향후 토지피복 AI 학습 데이터를 사용자 목적에 맞도록 적정 알고리즘을 분석하였으며, 이를 통하여 본 연구를 통해 구축된 AI 학습데이터의 신뢰도를 높이고자 하였다.
본 연구의 목적은 위성영상 분야에서 다양하게 구축 및 활용되고 있는 토지피복 분류에 대한 고해상도 항공 및 위성영상을 Multi-resolution 기반의 인공지능 데이터 셋을 구축하고, 검증 및 인공지능 알고리즘에 적용하는 것이다. 이를 위하여 이를 위하여 토지피복 및 산림수종에 대한 Fine 및 Coarse annotation 기반의 학습 데이터셋을 구축하였으며, 데이터셋의 품질을 검증하였다.

제안 방법

토지피복 변화를 모니터링 하기 위한 원격탐사 데이터는 위성영상 (Sentinal 2) 및 항공영상을 사용하였다. AI 학습 데이터는 다양한 공간해상도를 활용할 수 있도록 Multi-resolution 데이터셋을 구축하였으며, 공간해상도 0.51 m 항공영상 및 10 m 위성영상을 활용하였다.
둘째, 서울특별시·경기도(이하 수도권), 강원도·충청도(이하 강원충청권)를 대상으로, 토지피복 8개 항목에 대하여 Fine 및 Coarse Data를 동시에 구축하였다
둘째, 서울특별시·경기도(이하 수도권), 강원도·충청도(이하 강원충청권)를 대상으로, 토지피복 8개 항목에 대하여 Fine 및 Coarse Data를 동시에 구축하였다. 또한, 공간정보 형식(Vector, SHP 등)을 AI 알고리즘에 직접적 활용이 가능하도록 구축하였다. 이를 통하여 인공지능 학습 데이터의 주요 목적인 정밀성과 대규모 데이터 셋 구축 두 가지 목적을 달성하였다.
셋째, 방대한 연구지역의 대규모 데이터 셋 구축의 오류를 줄이기 위하여 단계별 검수를 진행하였다. 총 3 단계로 검수를 진행하였고, 정제된 데이터를 대상으로 정제 불완전처리 여부, 어노테이션 결과에 대한 오분류 여부 및 셈플링을 통한 데이터셋의 오류를 최소화하여 데이터셋의 신뢰성을 확보하였다.
알고리즘 학습 파라미터는 항공영상, 위성영상 및 세 가지 알고리즘에 동일하게 적용하였으며, 11 GB 이상의 GPU 메모리 환경에서 학습을 진행하였다. Table 5와 같이, 학습 Epoch의 경우 800에서 학습되었으며, Batch size의 경우, 컴퓨터의 하드웨어 성능을 고려하여 10에서 진행하였다.
본 연구의 목적은 위성영상 분야에서 다양하게 구축 및 활용되고 있는 토지피복 분류에 대한 고해상도 항공 및 위성영상을 Multi-resolution 기반의 인공지능 데이터 셋을 구축하고, 검증 및 인공지능 알고리즘에 적용하는 것이다. 이를 위하여 이를 위하여 토지피복 및 산림수종에 대한 Fine 및 Coarse annotation 기반의 학습 데이터셋을 구축하였으며, 데이터셋의 품질을 검증하였다. 최종적으로 인공지능 알고리즘에서 구축한 학습 데이터 셋을 적용하여 분석한 결과를 제시하였다.
본 연구는 제4차 국가철도망 구축계획, 수도권 3기 신도시 건설 등 다양한 개발사업에 의하여 변화하는 환경현황 중 삶의 직접적인 영향을 크게 미치는 토지피복의 변화 및 예측을 AI 기반으로 전환하기 위함이다. 이를 위해, 첫째 최근 다양하게 활용되는 AI 학습 데이터를 구축하였다. 토지피복 변화를 모니터링 하기 위한 원격탐사 데이터는 위성영상 (Sentinal 2) 및 항공영상을 사용하였다.
51 m 항공영상 및 10 m 위성영상(Sentinal 2)을 활용하였다. 이를 통하여 다양한 공간해상도를 통한 토지피복 및 산림수종의 객체별 특징을 인공지능 학습 데이터로 구축하였다.
첫째, 고품질 인공지능 학습 데이터셋 구축을 위해, 공간해상도 0.51 m 항공영상 및 10 m 위성영상(Sentinal 2)을 활용하였다. 이를 통하여 다양한 공간해상도를 통한 토지피복 및 산림수종의 객체별 특징을 인공지능 학습 데이터로 구축하였다.
셋째, 방대한 연구지역의 대규모 데이터 셋 구축의 오류를 줄이기 위하여 단계별 검수를 진행하였다. 총 3 단계로 검수를 진행하였고, 정제된 데이터를 대상으로 정제 불완전처리 여부, 어노테이션 결과에 대한 오분류 여부 및 셈플링을 통한 데이터셋의 오류를 최소화하여 데이터셋의 신뢰성을 확보하였다.
이를 위하여 이를 위하여 토지피복 및 산림수종에 대한 Fine 및 Coarse annotation 기반의 학습 데이터셋을 구축하였으며, 데이터셋의 품질을 검증하였다. 최종적으로 인공지능 알고리즘에서 구축한 학습 데이터 셋을 적용하여 분석한 결과를 제시하였다.
이는 토지피복 모니터링의 신속성과 대규모 학습 데이터 구축을 위한 방안이다. 토지피복 항목 분류의 기본 데이터는 세분류 토지피복지도 및 도시생태 현황도 등을 활용하였다.
본 연구에서 활용하는 영상의 정보는 Table 1과 같으며 데이터셋 구축을 위해, 수도권 총 396장, 강원충청권 797장의 총 1193장의 항공영상 및 수도권 4장, 강원도·충청도 8장의 총 12장 위성영상을 획득하였다. 획득한 영상을 활용하여 항공영상 및 위성영상의 Fine-Coarse annotation 4종류의 데이터셋 구축을 실시하였다.

대상 데이터

데이터셋 구축에 사용된 원천데이터는 항공영상 및 위성영상으로, 항공영상은 국토지리정보원에서 제작 및 배포하며, 2018-2019년 영상을 취득하였다. 위성영상의 경우, ESA (European Space Agency)에서 제공하는 Sentinel-2 영상으로, Copernicus Open Access Hub에서 무상제공 중이다.
데이터셋 구축을 위한 원본 자료 수집을 위해, 우리나라의 수도권, 강원충청권 지역을 선정하였다(Fig. 2).
본 연구에서 활용하는 영상의 정보는 Table 1과 같으며 데이터셋 구축을 위해, 수도권 총 396장, 강원충청권 797장의 총 1193장의 항공영상 및 수도권 4장, 강원도·충청도 8장의 총 12장 위성영상을 획득하였다
어노테이션 작업이 완료된 Fine 및 Coarse 데이터는 최종적으로 512×512 size로 구축을 진행하였으며, 인접 영상간 정확한 품질검수 및 중복재단을 고려하여 원본 영상에서 25% 중복률을 적용하여 분할하였다. 본 연구의 AI 학습용 데이터셋은 원시 이미지, 어노테이션 이미지 및 Json형식의 메타데이터로 구성하였다(Fig. 4).
2). 연구지역의 선정은 수도권의 경우 시가화건조지역이 다수 존재하고 있으며, 강원 충청권의 경우 농경지 및 산림이 다수 분포하는 지역이다. 이를 통하여 동일 방법론에 의해 구축된 학습 데이터의 지역적 차이 및 알고리즘 적용에 의한 정확도 차이를 도출하고자 한다.
항공영상의 경우, 세분류 토지피복지도 항목 중 AI 활용도가 높은 8개(건물, 도로, 주차장, 논, 밭, 나지 및 산림 등) 항목을 대상으로 선정하였다. 위성 영상의 경우, 항공영상 대비 낮은 해상도로 인하여, 8개 항목에서 가로수, 주차장 및 나지를 제외한 5개 항목을 대상으로 선정하였다. 각 객체는 건물 10, 주차장 20 등 특정한 code 번호를 부여하였다(Table 2).
위성영상의 경우, ESA (European Space Agency)에서 제공하는 Sentinel-2 영상으로, Copernicus Open Access Hub에서 무상제공 중이다. 위성영상은 구름과 눈이 덮이지 않은 2019-2020년 촬영 영상을 데이터셋 구축을 위해 취득하였다. 항공영상은 0.
512×512 사이즈를 기본적인 학습데이터로 구축하였으며, 1024×1024 사이즈의 항공영상 데이터셋도 일부 구축하였다. 위성영상의 Fine annotation의 경우, 수도권 100장 및 강원충청권 200장을 구축하였으며, Coarse annotation의 경우, 수도권 200장 및 강원충청권 400장을 구축하였다(Table 4).
최종적으로 구축된 피복지도 어노테이션 데이터셋은 총 160,000장으로 수도권 53,300장및 강원충청권 106,700장을 구축하였다. 항공영상의 Fine annotation의 경우, 수도권 16,900장 및 강원충청권 32,800장을 구축하였다.
이를 위해, 첫째 최근 다양하게 활용되는 AI 학습 데이터를 구축하였다. 토지피복 변화를 모니터링 하기 위한 원격탐사 데이터는 위성영상 (Sentinal 2) 및 항공영상을 사용하였다. AI 학습 데이터는 다양한 공간해상도를 활용할 수 있도록 Multi-resolution 데이터셋을 구축하였으며, 공간해상도 0.
최종적으로 구축된 피복지도 어노테이션 데이터셋은 총 160,000장으로 수도권 53,300장및 강원충청권 106,700장을 구축하였다. 항공영상의 Fine annotation의 경우, 수도권 16,900장 및 강원충청권 32,800장을 구축하였다. Coarse annotation의 경우 및 수도권 32,800장, 강원 충청권 66,600장이 구축되었다.
kr)을 기반으로 작업하였다. 항공영상의 경우, 세분류 토지피복지도 항목 중 AI 활용도가 높은 8개(건물, 도로, 주차장, 논, 밭, 나지 및 산림 등) 항목을 대상으로 선정하였다. 위성 영상의 경우, 항공영상 대비 낮은 해상도로 인하여, 8개 항목에서 가로수, 주차장 및 나지를 제외한 5개 항목을 대상으로 선정하였다.

데이터처리

셋째, 최근 보편적으로 활용되는 AI 알고리즘을 통하여 본 연구를 통하여 만들어진 토지피복 AI 학습 데이터셋을 검증하였다. U-Net, DeeplabV3+ 알고리즘을 적용하여 정확도를 검증하였다.
구축된 데이터셋에 대하여, 높은 정밀도의 데이터셋 확보를 위해 데이터 품질 검수과정을 실시하였다. 검수 과정은 총 3단계이며, 정제 데이터 검수, 어노테이션 검수 및 샘플링 검수 과정을 진행하였다.
넷째, 본 연구를 통하여 구축된 토지피복 AI 학습 데이터셋을 Semantic segmentation에서 보편적으로 활용되는 U-Net, DeeplabV3+ 알고리즘에 학습하여 학습 결과를 비교하였다. 분석결과, 항공영상 및 위성영상 각각에 대하여 U-Net이 전반적으로 높은 정확도를 나타냈으며, 토지피복 분류 항목에서는 수도권의 산림이 약 95%의 정확도로 가장 높은 분류 정확도를 나타내었다.
00e-06으로 정하였으며, 나머지 파라미터에 대해서는 알고리즘 별 기본값으로 설정하였다(Table 5). 또한, 정확도 산출에는 픽셀단위로 정확도를 계산하는 pixel accuracy를 적용하였으며, 예측 데이터셋의 어노테이션자료를 기준으로 정확도를 산출하였다.
오류 리포트에는 영상의 파일명, 오류 유형 및 오류위치 등이 포함되어 있다. 작성된 오류 리포트를 활용한 재수정을 진행하였으며, 교차검수를 실시하여 데이터셋의 객관성 및 균질성을 확보하였다. 어노테이션 자료 검수과정 또한 검수 및 재작업 과정을 반복하여, 데이터의 정밀도를 높였다.
전체 데이터셋에 대하여 어노테이션 검수가 완료된 후, Random Sampling 기법을 활용하여 모집단의 대표성을 유지하는 샘플 추출, 추가 검수 및 알고리즘 검수를 진행하였다. 검수를 위한 검수 도구는 기본적으로 어노테이션 도구과 동일한 도구를 사용하여 검수를 진행하였다.

이론/모형

토지피복 Annotation 분류기준은 환경부 세분류 토지피복지도 작성 지침(https://www.law.go.kr)을 기반으로 작업하였다. 항공영상의 경우, 세분류 토지피복지도 항목 중 AI 활용도가 높은 8개(건물, 도로, 주차장, 논, 밭, 나지 및 산림 등) 항목을 대상으로 선정하였다.
이미지 및 어노테이션 데이터셋 검수를 포함하여, 메타 데이터에 대한 검수도 진행하였다. 학습데이터의 정보를 나타내는 Json 형식의 메타데이터는 각 항목별 정확한 정보가 기입되어 있는지 여부를 확인하는 미입력 오류 검수를 수행하였다. 어노테이션 검수와 동일하게 오류대장을 작성하여 관리 및 작업자에게 전달하였다.

성능/효과

강원충청권 항공영상의 경우, 산출된 결과는 Table 7과 같다. DeeplabV3+ 알고리즘의 정확도가 약 77.9%로 U-Net 알고리즘보다 높은 정확도가 산출되었다. 강원 충청권 또한 분류 항목별 정확도 차이가 존재하였다.
첫째, 토지피복AI 학습 데이터셋을 Multi-resolution으로 구축하였다는 것이다. 동일한 객체에 대하여 Cm급 항공영상 및 m급 위성 영상을 함께 학습데이터로 구축하여 다양한 조건에서 AI 알고리즘에 적용될 수 있도록 하였다. 둘째, 동일한 객체에 대하여 Fine 및 Coarse annotation 데이터셋을 함께 구축하였다.
동일한 객체에 대하여 Cm급 항공영상 및 m급 위성 영상을 함께 학습데이터로 구축하여 다양한 조건에서 AI 알고리즘에 적용될 수 있도록 하였다. 둘째, 동일한 객체에 대하여 Fine 및 Coarse annotation 데이터셋을 함께 구축하였다. 이를 통하여 정밀한 AI 학습 데이터 및 대규모 데이터 구축을 동시에 수행하였다.
둘째, 효율적인 인공지능 학습 데이터를 구축하기 위하여 정밀 Fine annotation에 한정하지 않고, Coarse annotation을 포함한 두 가지 annotation 데이터를 구축하였다. 이는 토지피복 모니터링의 신속성과 대규모 학습 데이터 구축을 위한 방안이다.
넷째, 본 연구를 통하여 구축된 토지피복 AI 학습 데이터셋을 Semantic segmentation에서 보편적으로 활용되는 U-Net, DeeplabV3+ 알고리즘에 학습하여 학습 결과를 비교하였다. 분석결과, 항공영상 및 위성영상 각각에 대하여 U-Net이 전반적으로 높은 정확도를 나타냈으며, 토지피복 분류 항목에서는 수도권의 산림이 약 95%의 정확도로 가장 높은 분류 정확도를 나타내었다. 또한, 향후 토지피복 AI 학습 데이터를 사용자 목적에 맞도록 적정 알고리즘을 분석하였으며, 이를 통하여 본 연구를 통해 구축된 AI 학습데이터의 신뢰도를 높이고자 하였다.
셋째, 최근 보편적으로 활용되는 AI 알고리즘을 통하여 본 연구를 통하여 만들어진 토지피복 AI 학습 데이터셋을 검증하였다. U-Net, DeeplabV3+ 알고리즘을 적용하여 정확도를 검증하였다.
검수과정은 정제 데이터 검수, 어노테이션 검수 및 샘플링 검수의 3단계를 수행하였다. 이를 통하여 전체적으로 발생 가능한 오류를 줄일 수 있었다.
본 연구 의의는 크게 3가지이다. 첫째, 토지피복AI 학습 데이터셋을 Multi-resolution으로 구축하였다는 것이다. 동일한 객체에 대하여 Cm급 항공영상 및 m급 위성 영상을 함께 학습데이터로 구축하여 다양한 조건에서 AI 알고리즘에 적용될 수 있도록 하였다.

후속연구

이를 통하여 정밀한 AI 학습 데이터 및 대규모 데이터 구축을 동시에 수행하였다. 향후, fine annotation과 비교하여 coarse annotation의 정확도 비교 등 연구의 확장이 가능할 것으로 사료된다.

참고문헌 (49)

Aviles-Cruz, C., A. Ferreyra-Ramirez, A. Zuniga-Lopez, and J. Villegas-Cortez, 2019. Coarse-fine convolutional deep-learning strategy for human activity recognition, Sensors, 19(7): 1556.

상세보기
Azimi, S.M., C. Henry, L. Sommer, A. Schumann, and E. Vig, 2019. Skyscapes fine-grained semantic understanding of aerial scenes, Proc. of the IEEE/CVF International Conference on Computer Vision, Seoul, KR, Oct. 27-Nov. 2, pp. 7393-7403.
Azimi, S.M., M. Kraus, R. Bahmanyar, and P. Reinartz, 2021. Multiple Pedestrians and Vehicles Tracking in Aerial Imagery Using a Convolutional Neural Network, Remote Sensing, 13(10): 1953.

상세보기
AI hub home page, https://aihub.or.kr/, Accessed on Aug. 10, 2021.
Boguszewski, A., D. Batorski, N. Ziemba-Jankowska, A. Zambrzycka, and T. Dziedzic, 2020. LandCover. ai: Dataset for Automatic Mapping of Buildings, Woodlands and Water from Aerial Imagery, arXiv preprint, arXiv: 2005.02264.
Bondi, E., R. Jain, P. Aggrawal, S. Anand, R. Hannaford, A. Kapoor, J. Piavis, S. Shah, L. Joppa, and B. Dilkina, 2020. BIRDSAI: A dataset for detection and tracking in aerial thermal infrared videos, Proc. of the IEEE/CVF Winter Conference on Applications of Computer Vision, Snowmass Village, Snowmass, CO, USA, Mar. 1-5, pp. 1747-1756.
Brostow, G.J., J. Fauqueur, and R. Cipolla, 2009. Semantic object classes in video: A high-definition ground truth database, Pattern Recognition Letters, 30(2): 88-97.

상세보기
Chen, L., Y. Zhu, G. Papandreou, F. Schroff, and H. Adam, 2018. Encoder-decoder with atrous separable convolution for semantic image segmentation, Proc. of the European conference on computer vision (ECCV), Munich, DE, Sep. 8-14. pp. 801-818.
Cordts, M., M. Omran, S. Ramos, T. Rehfeld, M. Enzweiler, R. Benenson, U. Franke, S. Roth, and B. Schiele, 2016. The cityscapes dataset for semantic urban scene understanding, Proc. of the IEEE conference on computer vision and pattern recognition, Las Vegas, NV, Jun. 27-30. pp. 3213-3223.
Common Objects in Context home page, https://cocodataset.org/, Accessed on Aug. 4, 2021.
Everingham, M., S.A. Eslami, L. Van Gool, C.K. Williams, J. Winn, and A. Zisserman, 2015. The pascal visual object classes challenge: A retrospective, International Journal of Computer Vision, 111(1): 98-136.

상세보기
Everingham, M., L. Van Gool, C.K. Williams, J. Winn, and A. Zisserman, 2010. The pascal visual object classes (voc) challenge, International Journal of Computer Vision, 88(2): 303-338.

상세보기
ETRI AI API, Data home page, https://aiopen.etri.re.kr/, Accessed on Aug. 5, 2021.
Guidici, D. and M.L. Clark, 2017. One-Dimensional convolutional neural network land-cover classification of multi-seasonal hyperspectral imagery in the San Francisco Bay Area, California, Remote Sensing, 9(6): 629.

상세보기
Gangwon province home page, https://provin.gangwon.kr, Accessed on Jun. 18, 2021.
Gyeonggi province home page, https://www.gg.go.kr/, Accessed on Aug. 10, 2021.
Helber, P., B. Bischke, A. Dengel, and D. Borth, 2019. Eurosat: A novel dataset and deep learning benchmark for land use and land cover classification, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 12(7): 2217-2226.

상세보기
Krizhevsky, A., I. Sutskever, and G.E. Hinton, 2012. Imagenet classification with deep convolutional neural networks, Advances in Neural Information Processing Systems, 25: 1097-1105.
Kussul, N., M. Lavreniuk, S. Skakun, and A. Shelestov, 2017. Deep learning classification of land cover and crop types using remote sensing data, IEEE Geoscience and Remote Sensing Letters, 14(5): 778-782.

상세보기
Kussul, N.N., N.S. Lavreniuk, A.Y. Shelestov, B.Y. Yailymov, and I.N. Butko, 2016. Land cover changes analysis based on deep machine learning technique, Journal of Automation and Information Sciences, 48(5): 42-54.

상세보기
Kwan, C., B. Ayhan, B. Budavari, Y. Lu, D. Perez, J. Li, S. Bernabe, and A. Plaza, 2020. Deep learning for Land Cover Classification using only a few bands, Remote Sensing, 12(12): 1-17.
Kaggle home page, https://Kaggle.com/datasets, Accessed on Aug. 5, 2021.
Korea Environmental Geospatial Information Service home page, https://egis.me.go.kr/main.do, Accessed on Jul. 12, 2021.
Korea Law Information Center, https://www.law.go.kr, Accessed on Jul. 23, 2021.
Lee, S., K. Han, K. Lee, K. Lee, K. Oh, and M. Lee, 2020. Classification of Landscape Affected by Deforestation Using High-Resolution Remote Sensing Data and Deep-Learning Techniques, Remote Sensing, 12(20): 3372.

상세보기
Lee, S. and J. Kim, 2019. Land cover classification using sematic image segmentation with deep learning, Korean Journal of Remote Sensing, 35(2): 279-288 (in Korean with English abstract).

원문보기 상세보기
Lee, S. and M. Lee, 2020. A Study on Deep Learning Optimization by Land Cover Classification Item Using Satellite Imagery, Korean Journal of Remote Sensing, 36(6-2): 1591-1604 (in Korean with English abstract).

원문보기 상세보기
Lin, T., M. Maire, S. Belongie, J. Hays, P. Perona, D. Ramanan, P. Dollar, and C.L. Zitnick, 2014. Microsoft coco: Common objects in context, European conference on computer vision, Zurich, Switzerland, CH, Sep. 6-12. pp. 740-755.
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, Boston, MA, Jun. 7-12. pp. 3431-3440.
Luo, Y., Z. Wang, Z. Huang, Y. Yang, and C. Zhao, 2018. Coarse-to-fine annotation enrichment for semantic segmentation learning, Proc. of the 27th ACM International Conference on Information and Knowledge Management, Torino, IT, Oct. 22-26. pp. 237-246.
Lyu, H., H. Lu, and L. Mou, 2016. Learning a transferable change rule from a recurrent neural network for land cover change detection, Remote Sensing, 8(6): 506.

상세보기
Mohamadou, Y., A. Halidou, and P.T. Kapen, 2020. A review of mathematical modeling, artificial intelligence and datasets used in the study, prediction and management of COVID-19, Applied Intelligence, 50(11): 3913-3925.

상세보기
Najafabadi, M.M., F. Villanustre, T.M. Khoshgoftaar, N. Seliya, R. Wald, and E. Muharemagic, 2015. Deep learning applications and challenges in big data analytics, Journal of big data, 2(1): 1-21.

상세보기
Nijhawan, R., D. Joshi, N. Narang, A. Mittal, and A. Mittal, 2019. A futuristic deep learning framework approach for land use-land cover classification using remote sensing imagery, Advanced Computing and Communication Technologies, 2019: 87-96.
Noh, H., S. Hong, and B. Han, 2015. Learning deconvolution network for semantic segmentation, Proc. of the IEEE international conference on computer vision, Santiago, CL, Dec. 7-13. pp. 1520-1528.
Paul, S. and L. Singh, 2015. A review on advances in deep learning, 2015 IEEE Workshop on Computational Intelligence: Theories, Applications and Future Directions (WCI), Kochi, IN, Aug. 10-13. pp. 1-6.
Rakhlin, A., A. Davydow, and S. Nikolenko, 2018. Land cover classification from satellite imagery with u-net and lovasz-softmax loss, Proc. of the IEEE Conference on Computer Vision and Pattern Recognition Workshops, Salt Lake City, UT, Jun. 18-22. pp. 262-266.
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 computer-assisted intervention, Munich, GER, Oct. 5-9. pp. 234-241.
Russwurm, M. and M. Korner, 2017. Multi-temporal Land Cover Classification with Long Short-Term Memory Neural Networks, International Archives of the Photogrammetry, Remote Sensing & Spatial Information Sciences, 42: 551-558.

상세보기
Shrestha, A. and A. Mahmood, 2019. Review of deep learning algorithms and architectures, IEEE Access, 7: 53040-53065.

상세보기
The province of chungchengbuk-do home page, https://chungbuk.go.kr, Accessed on Jul. 12, 2021.
The province of chungchengnam-do home page, https://chungnam.go.kr, Accessed on Jul. 23, 2021.
Vargas, R., A. Mosavi and R. Ruiz, 2017. Deep learning: a review. Queensland University of Technology, Brisbane, Queensland, AU.
Wang, M., H. Zhang, W. Sun, S. Li, F. Wang, and G. Yang, 2020. A Coarse-to-Fine deep learning based land use change detection method for high-resolution remote sensing images, Remote Sensing, 12(12): 1933.

상세보기
Wang, M., H. Zhang, W. Sun, S. Li, F. Wang, and G. Yang, 2020. A Coarse-to-Fine deep learning based land use change detection method for high-resolution remote sensing images, Remote Sensing, 12(12): 1933.

상세보기
Xia, G., X. Bai, J. Ding, Z. Zhu, S. Belongie, J. Luo, M. Datcu, M. Pelillo, and L. Zhang, 2018. DOTA: A large-scale dataset for object detection in aerial images, Proc. of the IEEE conference on computer vision and pattern recognition, Salt Lake City, UT, Jun. 18-23. pp. 3974-3983.
Zhang, C., P.A. Harrison, X. Pan, H. Li, I. Sargent, and P.M. Atkinson, 2020. Scale Sequence Joint Deep Learning (SS-JDL) for land use and land cover classification, Remote Sensing of Environment, 237: 111593.

상세보기
Zhang, C., I. Sargent, X. Pan, H. Li, A. Gardiner, J. Hare, and P.M. Atkinson, 2019. Joint Deep Learning for land cover and land use classification, Remote Sensing of Environment, 221: 173-187.

상세보기
Zhang, W., K. Song, X. Rong and Y. Li, 2018. Coarse-to-fine uav target tracking with deep reinforcement learning, IEEE Transactions on Automation Science and Engineering, 16(4): 1522-1530.

상세보기

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