[논문]형태학적 연산과 경계추출 학습이 강화된 U-Net을 활용한 Sentinel-1 영상 기반 수체탐지

김휘송; 김덕진; 김준우

doi:10.7780/kjrs.2022.38.5.2.11

[국내논문] 형태학적 연산과 경계추출 학습이 강화된 U-Net을 활용한 Sentinel-1 영상 기반 수체탐지
Water Segmentation Based on Morphologic and Edge-enhanced U-Net Using Sentinel-1 SAR Images 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.38 no.5 pt.2, 2022년, pp.793 - 810

김휘송 (서울대학교 지구환경과학부) , 김덕진 (서울대학교 지구환경과학부) , 김준우 (서울대학교 미래혁신연구원)

초록
AI-Helper

실시간 범람 모니터링을 위해 인공위성 SAR영상을 활용하는 수체탐지에 대한 필요성이 대두되었다. 주야와 기상에 상관없이 주기적으로 촬영 가능한 인공위성 SAR 영상은 육지와 물의 영상학적 특징이 달라 수체탐지에 적합하나, 스페클 노이즈와 영상별 상이한 밝기 값 등의 한계를 내포하여 다양한 시기에 촬영된 영상에 일괄적으로 적용 가능한 수체탐지 알고리즘 개발이 쉽지 않다. 이를 위해 본 연구에서는 Convolutional Neural Networks (CNN)기반 모델인 U-Net 아키텍처에 레이어의 조합인 모듈을 추가하여 별도의 전처리 없이 수체탐지의 정확도 향상 방법을 제시하였다. 풀링 레이어의 조합을 활용하여 형태학적 연산처리 효과를 제공하는 Morphology Module과 전통적인 경계탐지 알고리즘의 가중치를 대입한 컨볼루션 레이어를 사용하여 경계 학습을 강화시키는 Edge-enhanced Module의 다양한 버전을 테스트하여, 최적의 모듈 구성을 도출하였다. 최적의 모듈 버전으로 판단된 min-pooling과 max-pooling이 연속으로 이어진 레이어와 min-pooling로 구성된 Morphology 모듈과 샤를(Scharr) 필터를 적용한 Edge-enhanced 모듈의 산출물을 U-Net 모델의 conv 9에 입력자료로 추가하였을 때, 정량적으로 9.81%의 F1-score 향상을 보여주었으며, 기존의 U-Net 모델이 탐지하지 못한 작은 수체와 경계선을 보다 세밀하게 탐지할 수 있는 성능을 정성적 평가를 통해 확인하였다.

Abstract ▼ AI-Helper

Synthetic Aperture Radar (SAR) is considered to be suitable for near real-time inundation monitoring. The distinctly different intensity between water and land makes it adequate for waterbody detection, but the intrinsic speckle noise and variable intensity of SAR images decrease the accuracy of waterbody detection. In this study, we suggest two modules, named 'morphology module' and 'edge-enhanced module', which are the combinations of pooling layers and convolutional layers, improving the accuracy of waterbody detection. The morphology module is composed of min-pooling layers and max-pooling layers, which shows the effect of morphological transformation. The edge-enhanced module is composed of convolution layers, which has the fixed weights of the traditional edge detection algorithm. After comparing the accuracy of various versions of each module for U-Net, we found that the optimal combination is the case that the morphology module of min-pooling and successive layers of min-pooling and max-pooling, and the edge-enhanced module of Scharr filter were the inputs of conv9. This morphologic and edge-enhanced U-Net improved the F1-score by 9.81% than the original U-Net. Qualitative inspection showed that our model has capability of detecting small-sized waterbody and detailed edge of water, which are the distinct advancement of the model presented in this research, compared to the original U-Net.

Keyword

표/그림 (16)

그림 Fig. 1. Flow chart of the research methodology. Sentinel-1 GRDH VV SAR images and Land use maps were used to make training datasets. Various versions of Morphologic and Edge-enhanced modules were trained and tested through accuracy assessment and visual inspection.
그림 Fig. 2. Ground coverage of Sentinel-1 VV images used for constructing training dataset: (a) Ground coverage of Sentinel- 1A images, (b) Ground coverage of Sentinel-1B images.
그림 Fig. 3. Training data for this research: (a) Water ratio of dataset, (b) Visualization of training data; (left) SAR images after 0-1 normalization (right) ground-truth; water (1, white) and non-water (0, black).
표 Table 1. 90 product unique IDs of Sentinel-1 images classified by Polygon ID
표 Table 2. Examples of Sentinel-1 images for constructing training dataset
그림 Fig. 4. Architecture of U-Net with Morphology module and Edge-enhanced module: the detail of Morphology module and Edge-enhanced module shows the model of the highest F1-score in this research.
그림 Fig. 5. Examples of Morphological Transformations: (a) input image, (b) erosion, (c) dilation, (d) opening.
그림 Fig. 6. Architecture of Morphology Module: (a) HC (high contrast) version, (b) LC (low contrast) version.
표 Table 3. Confusion Matrix of Water Binary Segmentation
표 Table 4. Evaluation Results of Morphology module
표 Table 5. Evaluation Results of Edge-enhanced module
그림 Fig. 7. F1-score, IoU, Accuracy of all of the cases being tested. The color change in the background is separating original U-net, U-Net with Morphology module (Table 4), U-Net with Edge-enhanced module (Table 5), U-Net with Morphology module and Edge-enhanced module (Table 6).
표 Table 6. Evaluation Results of both Morphology module and Edge-enhanced module
그림 Fig. 8. Qualitative visualization of 10 dataset (from left to right). (i) input SAR image, (ii) groundtruth label, water segmentation results of (iii) original U-Net, (iv) U-Net with LC Morphology module (conv 9), (v) U-Net with Scharr Edge-enhanced module (conv 9), (vi) U-Net with with LC Morphology module (conv 9) and Sobel Edge-enhanced module (conv 1), (vii) U-Net with with LC Morphology module and Sobel Edge-enhanced module (conv 9), (viii) UNet with with LC Morphology module (conv 9) and Scharr Edge-enhanced module (conv 1), (ix) U-Net with with LC Morphology module and Scharr Edge-enhanced module (conv 9).
그림 Fig. 9. Visualization of the output of layers from the Morphology module. SAR VV image is input image of three pooling layers. (a), (b), (c), (d) are showing different topographic features: open water with mountain, open water with beach and port, river in city and reservoir.
그림 Fig. 10. Visualization of the output of layers from the Edge-enhanced Module. For Sobel, and Scharr, from left top to clockwise, horizontal, vertical, diagonal left to right, diagonal right to left. (a), (b), (c) are showing different topographic features: small river in city, reservoir in mountain and river in mountain.

AI 본문요약
AI-Helper

문제 정의

마지막으로 Morphology 모듈과 Edge-enhanced 모듈을 동시에 적용하였을 때 높은 정확도를 보여주는 현상에 대해 분석해보고자 한다. Morphology 모듈은 노이즈를 약화시키고 특히 LC 버전은 어두운 지역을 중점적으로 학습하면서 수체일 확률이 높은 지역을 추출하는 효과가 있지만, 풀링레이어 자체의 블러 효과에 의해 정확한 수체 경계 탐지는 어려워진다.

제안 방법

이러한 한계를 극복하고자 본 연구에서는 SAR 영상 1장만 입력자료로 사용하되, 기본 U-Net모델에 간단한 레이어로 구성된 Morphology 모듈과 Edge-enhanced 모듈을 추가하여 정확도를 높이는 방안을 제안한다. 풀링 레이어를 활용하여 형태학적인 연산이 가능한 Morphology 모듈과 기존 경계 탐지 알고리즘의 커널을 가중치로 사용하는 컨볼루션 레이어를 활용하여 경계 검출이 가능한 Edge-enhanced 모듈의 최적 구성과 효과를 판단하기 위해, 기본 U-Net 모델 대비 각 모듈의 구성 별 정확도 향상을 비교하고 육안판독을 통해 그 효과를 검증하였다.
이러한 한계를 극복하고자 본 연구에서는 SAR 영상 1장만 입력자료로 사용하되, 기본 U-Net모델에 간단한 레이어로 구성된 Morphology 모듈과 Edge-enhanced 모듈을 추가하여 정확도를 높이는 방안을 제안한다. 풀링 레이어를 활용하여 형태학적인 연산이 가능한 Morphology 모듈과 기존 경계 탐지 알고리즘의 커널을 가중치로 사용하는 컨볼루션 레이어를 활용하여 경계 검출이 가능한 Edge-enhanced 모듈의 최적 구성과 효과를 판단하기 위해, 기본 U-Net 모델 대비 각 모듈의 구성 별 정확도 향상을 비교하고 육안판독을 통해 그 효과를 검증하였다.
세분류 토지피복도에서 정의한 하천은 하천 제방 내 물이 흐르는 곳으로, 참고한 영상 자료의 촬영시점을 기준으로 물이 흐르는 지역을 판단하여 제작되었다. 시간에 따른 유로의 변동성을 고려하여, 각 도곽별 토지피복도의 영상자료 촬영일자를 육안 검증과 환경부에서 제공하는 데이터베이스를 이용하여 파악하고, 해당 촬영일자와 동일 도곽을 촬영한 Sentinel-1 VV 영상의 촬영일자를 비교하여 전후 3일 이내일 경우에 학습자료를 생성하였다.
본 연구에서는 기본 U-Net 모델을 기준으로 최적의 하이퍼파라미터를 구성하였다. 이후 모든 하이퍼파라미터를 고정한 후 본 연구에서 제시한 Morphology 모듈과 Edge-enhanced 모듈을 추가하여 학습을 진행하였다. 최종적으로 가장 높은 정확도를 보여준 모델의 아키텍처를 Fig.
U-Net 모델 아키텍처를 기반으로 활성화 함수는 렐루(ReLu) 함수를 사용하였으며, 이진 분류 결과를 위해 마지막 레이어의 활성화 함수는 시그모이드(Sigmoid)함수를 사용하였다. 과적합 방지와 학습 속도 향상을 위해 마지막 레이어를 제외한 모든 컨볼루션 레이어와 활성화 함수 사이에 배치 정규화(batch normalization)를 추가하였다(Fig. 4).
본 연구에서는 기본 U-Net 모델에 적용할 수 있는 풀링 레이어 기반의 형태학적 연산 효과를 보여주는 Morphology모듈과 경계 탐지 알고리즘 커널의 가중치를 컨볼루션 레이어에 대입하여 경계를 강조하는 Edge-enhanced 모듈을 제시하였다.
최종적으로 Morphology 모듈과 Edge-enhanced 모듈 각각의 조건에서 가장 정확도가 높은 모듈 방식을 조합하여, 기본 U-Net 모델과 두 모듈이 모두 추가되었을 때의 정확도를 비교하였다.
본 연구에서는 각 픽셀이 물(water)과 물이 아닌 지역(non-water)으로 구분되는 이진 분류이므로, 오차행렬은 true positives (TP), false positives (FP), true negatives (TN), false negatives (FN) 총 4가지의 경우로 구성된다. Table 1에서 제시된 것과 같이 TP는 실제 물인 지역이 예측된 값도 물인 경우, FP는 실제 물이 아닌 지역이 예측된 값이 물인 경우, FN는 실제 물인 지역이 물이 아닌 지역으로 예측된 경우 그리고 TN는 실제 물이 아닌 지역이 물이 아닌 지역으로 예측된 경우를 의미한다.
본 연구에서 제안한 Morphology 모듈과 Edge-enhanced 모듈의 효과를 제시하기 위해, 모듈의 유무를 제외한 모든 아키텍처와 하이퍼파라미터를 동일하게 설정하여 모델 훈련을 진행하였다. Morphology 모듈과 Edge-enhanced 모듈 각각 최적의 레이어 구성과 입력 위치를 도출하고, 최적의 두 모듈을 동시에 추가하였을 때와 기본 U-Net 모델과의 정확도를 비교하였다.
본 연구에서 제안한 Morphology 모듈과 Edge-enhanced 모듈의 효과를 제시하기 위해, 모듈의 유무를 제외한 모든 아키텍처와 하이퍼파라미터를 동일하게 설정하여 모델 훈련을 진행하였다. Morphology 모듈과 Edge-enhanced 모듈 각각 최적의 레이어 구성과 입력 위치를 도출하고, 최적의 두 모듈을 동시에 추가하였을 때와 기본 U-Net 모델과의 정확도를 비교하였다.
8에 제시하였다. 왼쪽에서 오른쪽으로 갈수록 (i) SAR VV 영상, (ii) 토지피복도 기반 라벨데이터, (iii) 기본 U-Net 모델, (iv) Morphology 모듈만 사용한 Unet_LC_conv9, (v) Edge-enhanced 모듈만 사용한 Unet_Scharr_conv9, 그리고 두 모듈이 모두 적용된 4가지 모델인 (vi) Unet_Sobel_first_LC_conv9, (vii) Unet_Sobel_LC_conv9, (viii) Unet_Scharr_first_LC_conv9, (ix) Unet_Scharr_LC_conv9이 예측한 수체탐지 결과를 제시하였다. Morphology 모듈만 적용된 (iv) Unet_LC_conv9은 (iii) 기본 U-Net 모델 보다 더 높은 F1-score을 보여주었지만, (b), (d), (j)의 육안검증을 통해 과탐지의 경향이 큼을 확인하였다.
본 연구에서는 CNN 모델을 구성하는 풀링 레이어와 컨볼루션 레이어를 활용하여 형태학적 연산 처리와 경계 탐지가 가능한 Morphology 모듈과 Edge-enhanced 모듈을 제시하였다. 이를 통해 LC버전의 Morphology 모듈과 샤를 필터를 적용한 Edge-enhanced 모듈의 결과가 conv9로 추가 입력되었을 때 기본 U-Net모델 대비 정량적, 정성적으로 모두 높아진 정확도를 보여주었다.
이를 통해 LC버전의 Morphology 모듈과 샤를 필터를 적용한 Edge-enhanced 모듈의 결과가 conv9로 추가 입력되었을 때 기본 U-Net모델 대비 정량적, 정성적으로 모두 높아진 정확도를 보여주었다. 정확도가 높아진 원인을 분석하기 위하여 Morphology 모듈과 Edge-enhanced 모듈의 산출물을 표출하여, 각 모듈의 효과를 확인하였다.
본 연구는 별도의 보조자료나 계산량의 급증 없이 모델 내 간단한 레이어 조합을 추가하여, 영상 자체의 특징을 보다 세밀하게 참고하도록 하는 모델을 구성하였다는 점에서 의의가 있다. 수체탐지의 정확도를 높이기 위해 형태학적 연산을 처리하는 효과를 제공하는 풀링레이어의 조합인 Morphology 모듈과 컨볼루션 레이어의 가중치에 기존 경계 검출 알고리즘을 대입하여 경계를 강조하는 Edge-enhanced 모듈을 U-Net 모델에 추가하였다. 두 모듈의 다양한 조합을 테스트하여 최종적으로 min-pooling과 max-pooling (min-pooling) 레이어로 구성된 Morphology 모듈과 샤를 필터 가중치를 적용한 Edge-enhanced 모듈의 산출물을 conv 9에 입력자료로 추가한 케이스가 가장 좋은 성능을 보여주었다.
1에 제시하였다. 연구방법에서는 1) Sentinel-1위성 SAR 영상 획득 및 전처리 방법과 2) 훈련자료 제작 방식을 정리하고, 최적의 모듈 비교를 위해 3)-(1) 고정된 모델 아키텍처와 하이퍼파라미터, 3)-(2) Morphology 모듈과 Edge-enhanced 모듈의 정의와 종류에 대해 설명하였다. 마지막으로 4)에서 정량적 검증에 사용된 정확도 평가 지표를 보여준다.
6(b)의 min-pooling과 max-pooling (min-pooling)로 구성된 약한 대비(low contrast, LC) 조합을 구성하였다. Max-pooling (min-pooling) 레이어는 min-pooling과 max-pooling 레이어에 비해 원본 이미지의 특성을 잘 반영하므로 이를 고정하고, 이미지 밝기의 대비가 강할 때와 약할 때 중 무엇이 더 높은 정확도를 보여주는지 비교하였다. 이를 위해 Morphology 모듈 이외의 모든 조건은 동일하게 설정한 후, 기본 U-Net모델과 HC 버전과 LC 버전을 Fig.
Morphology 모듈과 edge-enhanced 모듈 각각의 가장 높은 F1-score을 보여준 조합을 U-Net에 같이 적용하였을 때 정확도가 더 상승하는지 비교하였다. Morphology 모듈은 LC 버전이 conv 9의 입력자료로 추가하였을 때 타 조합 대비 비교적 높은 정확도가 나타나 해당 조합으로 고정하였다.

대상 데이터

원활한 딥러닝 모델 학습을 위해서 충분한 양과 고품질의 학습자료가 필요하다. 이를 위해 환경부에서 제공하는 1 m 해상도의 세분류 토지피복도(1:5,000)를 활용하여 학습자료를 구축하였다. 토지피복도에서 분류한 세분류 41개 항목 중, 하천, 호소, 해양수 총 세 가지 지역을 물로 분류하였다.
이를 위해 환경부에서 제공하는 1 m 해상도의 세분류 토지피복도(1:5,000)를 활용하여 학습자료를 구축하였다. 토지피복도에서 분류한 세분류 41개 항목 중, 하천, 호소, 해양수 총 세 가지 지역을 물로 분류하였다. 세분류 토지피복도에서 정의한 하천은 하천 제방 내 물이 흐르는 곳으로, 참고한 영상 자료의 촬영시점을 기준으로 물이 흐르는 지역을 판단하여 제작되었다.
학습자료 생성을 위해 총 90장의 Sentinel-1 VV 영상이 사용되었다. Fig.
2에 Sentinel-1A와 Sentinel-1B 위성별 사용된 영상의 촬영지역을 표현하였으며, 각 촬영지역별 사용된 영상 ID는 Table 1에 정리하여 제시하였다. 총 90장의 영상 중 임의의 12장 영상에 대해 촬영한 위성 종류, 영상 획득시간과 궤도 방향 제시하였다(Table 2). 그림과 표를 통해 확인할 수 있듯이, 2017년부터 2019년 사이 한국 전역에 대해 촬영된 영상을 사용하여 학습자료를 생성하였다.
총 90장의 영상 중 임의의 12장 영상에 대해 촬영한 위성 종류, 영상 획득시간과 궤도 방향 제시하였다(Table 2). 그림과 표를 통해 확인할 수 있듯이, 2017년부터 2019년 사이 한국 전역에 대해 촬영된 영상을 사용하여 학습자료를 생성하였다.
그래프에서 볼 수 있듯이 10% 미만의 수계 비율이 대부분을 차지한다. 이와 같이 불균등한 학습자료를 사용할 경우 수계비율이 적은 영상에 과적합하게 학습되거나 학습이 수렴되지 않고 종료되는 경우가 발생해 학습 성능이 저하될 수 있음을 고려하여, 수계비율이 10% 이상인 508 개의 데이터셋만 학습자료로 사용하였다. SAR VV 영상은 최대값 1, 최소값 0으로 제한하는 정규화를 진행한 뒤 훈련자료로 사용하였으며, 라벨데이터는 물인 지역이 1, 그 외 지역은 0인 값을 가지도록 제작되었다.
이와 같이 불균등한 학습자료를 사용할 경우 수계비율이 적은 영상에 과적합하게 학습되거나 학습이 수렴되지 않고 종료되는 경우가 발생해 학습 성능이 저하될 수 있음을 고려하여, 수계비율이 10% 이상인 508 개의 데이터셋만 학습자료로 사용하였다. SAR VV 영상은 최대값 1, 최소값 0으로 제한하는 정규화를 진행한 뒤 훈련자료로 사용하였으며, 라벨데이터는 물인 지역이 1, 그 외 지역은 0인 값을 가지도록 제작되었다. Fig.
본 연구에서는 기본 U-Net 모델을 기준으로 최적의 하이퍼파라미터를 구성하였다. 이후 모든 하이퍼파라미터를 고정한 후 본 연구에서 제시한 Morphology 모듈과 Edge-enhanced 모듈을 추가하여 학습을 진행하였다.
딥러닝 모델이 잘 학습되기 위해서는 적절한 하이퍼 파라미터 조정이 필요하다. Morphology 모듈과 Edge-enhanced 모듈이 추가되지 않은 기본 U-Net 아키텍처를 기반으로 하이퍼파라미터를 테스트하여, 손실함수 값이 가장 작도록 하는 하이퍼파라미터를 선정하였다.
모델은 최대 1,000 에포크(epoch)까지 학습되며, 과적합을 방지하기 위해 검증 데이터의 손실함수 값이 10 에포크 동안 감소하지 않을 경우 가장 작은 손실함수 값을 가진 모델로 저장하고 학습이 종료된다. 508개의 학습자료에 대해 네 꼭지점을 기준으로 패치사이즈인(256,256)으로 자르는 데이터 증강(data augmentation)을 진행하여 총 2,032개의 데이터셋이 훈련자료로 입력되었다. 2,032개의 데이터셋에 대해 train : validation : test 데이터셋을 6:2:2로 구분하여 사용하였다.
배치사이즈(batchsize)는 32로 고정하였으며, 각 에포크 별 파라미터 업데이트는 41회 진행되었다. 모델 학습 및 추론의 전과정은 python과 tensorflow 기반으로 제작된 코드를 4대의 Nvidia GeForce RTX 3090 GPU를 사용하여 학습하였다.
토지피복도를 기반으로 만든 학습자료 중 육안판독을 위해 랜덤 추출한 65개의 SAR VV 영상을 이용하여 육안검증을 진행하였고, 그 중 10가지를 추출하여 Fig. 8에 제시하였다.
제작된 학습자료 중 SAR 영상의 외곽이 포함되어 있는 경우를 제외하고 총 3,930개의 데이터셋을 확보하였다. 이 중 랜덤으로 추출한 65개의 데이터셋은 학습에 사용하지 않고 육안검증을 위해 분리하였다.

데이터처리

27%로 큰 차이가 없어 두 경우 모두를 비교하였다. 또한 경계 검출 알고리즘의 경우, 샤를 필터가 가장 높은 정확도를 보이나 소벨 필터와의 차이가 0.27%임을 고려하여 소벨필터도 같이 비교하였다.

이론/모형

U-Net 모델 아키텍처를 기반으로 활성화 함수는 렐루(ReLu) 함수를 사용하였으며, 이진 분류 결과를 위해 마지막 레이어의 활성화 함수는 시그모이드(Sigmoid)함수를 사용하였다. 과적합 방지와 학습 속도 향상을 위해 마지막 레이어를 제외한 모든 컨볼루션 레이어와 활성화 함수 사이에 배치 정규화(batch normalization)를 추가하였다(Fig.
최적화 알고리즘은 아담(Adam)을 사용하였다. 모델은 최대 1,000 에포크(epoch)까지 학습되며, 과적합을 방지하기 위해 검증 데이터의 손실함수 값이 10 에포크 동안 감소하지 않을 경우 가장 작은 손실함수 값을 가진 모델로 저장하고 학습이 종료된다.
위의 오차행렬을 기반으로 식(9), (10), (11), (12), (13)을 이용하여 정확도(Accuracy), 재현도(Recall), 정밀도(Precision), Binary Intersection overUnion (IoU)와 F1-score를 계산하여 분류모델의 성능 지표로 사용하였다.

성능/효과

11% 상승하였다. 해당 조합은 Precision을 제외한 모든 평가지표가 더 좋은 결과를 보여주었으며, 특히 IoU와 Recall은 각각 83.1%와 92.5%로, 기본 U-Net 모델 대비 6%와 15.5% 상승하였다. 각 필터별 평균 F1-score를 비교하면, 소벨 필터는 84.
마지막으로 Morphology 모듈과 Edge-enhanced 모듈을 같이 적용한 모델 4개는 모두 상위 5위 안에 포함된다. 모든 조합에서 가장 높은 평가지표 값을 보여준 모델은 U-Net 모델에 min-pooling과 min-pooling (max-pooling)의 레이어로 구성된 LC버전 Morphology 모듈과 샤를 필터를 적용한 Edge-enhanced 모듈의 결과를 conv 9 레이어의 입력자료로 추가한 모델로, 해당 모델의 F1-score은 90.75%를 달성하였으며, 이는 기본 U-Net 모델 대비 9.81% 높은 수치이다.
본 연구에서는 CNN 모델을 구성하는 풀링 레이어와 컨볼루션 레이어를 활용하여 형태학적 연산 처리와 경계 탐지가 가능한 Morphology 모듈과 Edge-enhanced 모듈을 제시하였다. 이를 통해 LC버전의 Morphology 모듈과 샤를 필터를 적용한 Edge-enhanced 모듈의 결과가 conv9로 추가 입력되었을 때 기본 U-Net모델 대비 정량적, 정성적으로 모두 높아진 정확도를 보여주었다. 정확도가 높아진 원인을 분석하기 위하여 Morphology 모듈과 Edge-enhanced 모듈의 산출물을 표출하여, 각 모듈의 효과를 확인하였다.
7은 Table 4, 5, 6에 제시된 모든 조합의 F1-score, IoU, Accuracy를 그래프를 통해 제시하였다. 그래프에서볼수 있듯이 Morphology 모듈만을 적용하였을 땐 기본 U-Net 모델보다 좋지 않았고, Edge-enhanced 모듈만을 적용하였을 땐 일부 조합만이 기본 U-Net 모델보다 더 좋은 결과를 보여주었다. 마지막으로 Morphology 모듈과 Edge-enhanced 모듈을 같이 적용한 모델 4개는 모두 상위 5위 안에 포함된다.

후속연구

하지만 본 연구에서 10 m의 해상도를 가진 Sentinel-1 VV 영상을 사용하였지만, 하천 폭이 100 m 이내인 소하천에 대하여 미탐지가 발생한다는 문제점이 존재한다. SAR 영상의 기하학적 왜곡현상인 Fore shortening, Radar shadow 등이 수체탐지에 미치는 영향은 고려하지 않았다는 점에서 이에 대한 추가 연구가 필요하다. 후속 연구에서는 해당 모듈이 Sentinel-1의 SAR VV 영상뿐만 아니라 다른 위성의 편파에도 적용 가능한지, U-Net 외 다른 모델에서도 효과적인 정확도 향상을 보여주는 지에 대해 추가 연구가 필요하다.
SAR 영상의 기하학적 왜곡현상인 Fore shortening, Radar shadow 등이 수체탐지에 미치는 영향은 고려하지 않았다는 점에서 이에 대한 추가 연구가 필요하다. 후속 연구에서는 해당 모듈이 Sentinel-1의 SAR VV 영상뿐만 아니라 다른 위성의 편파에도 적용 가능한지, U-Net 외 다른 모델에서도 효과적인 정확도 향상을 보여주는 지에 대해 추가 연구가 필요하다. 마지막으로 개발된 수체 탐지 모델의 결과를 활용하여 실시간 범람 모니터링을 하기 위해서, 실시간 영상 다운로드, 전처리 및 모델 예측 전과정이 자동적으로 이루어지는 시스템구축에 대해 후속 연구가 필요하다.
후속 연구에서는 해당 모듈이 Sentinel-1의 SAR VV 영상뿐만 아니라 다른 위성의 편파에도 적용 가능한지, U-Net 외 다른 모델에서도 효과적인 정확도 향상을 보여주는 지에 대해 추가 연구가 필요하다. 마지막으로 개발된 수체 탐지 모델의 결과를 활용하여 실시간 범람 모니터링을 하기 위해서, 실시간 영상 다운로드, 전처리 및 모델 예측 전과정이 자동적으로 이루어지는 시스템구축에 대해 후속 연구가 필요하다.

참고문헌 (30)

Abraham, N. and N.M. Khan, 2019. A novel focal tversky loss function with improved attention unet for lesion segmentation, Proc. of 2019 IEEE 16th International Symposium on Biomedical Imaging (ISBI 2019), Venice, Italy, Apr. 8-11, pp. 683-687. https://doi.org/10.1109/ISBI.2019.8759329
Bai, Y., W. Wu, Z. Yang, J. Yu, B. Zhao, X. Liu, H. Yang, E. Mas, and S. Koshimura, 2021. Enhancement of detecting permanent water and temporary water in flood disasters by fusing sentinel-1 and sentinel-2 imagery using deep learning algorithms: Demonstration of sen1floods11 benchmark datasets, Remote Sensing, 13(11): 2220. https://doi.org/10.3390/rs13112220

상세보기
Denbina, M., Z.J. Towfic, M. Thill, B. Bue, N. Kasraee, A. Peacock, and Y. Lou, 2020. Flood mapping using UAVSAR and convolutional neural networks, Proc. of IGARSS 2020 - 2020 IEEE International Geoscience and Remote Sensing Symposium, Waikoloa, HI, USA, Sep. 26-Oct. 2, pp. 3247-3250. https://doi.org/10.1109/IGARSS39084.2020.9324379
Dong, Z., G. Wang, S.O.Y. Amankwah, X. Wei, Y. Hu, and A. Feng, 2021. Monitoring the summer flooding in the Poyang Lake area of China in 2020 based on Sentinel-1 data and multiple convolutional neural networks, International Journal of Applied Earth Observation and Geoinformation, 102: 102400. https://doi.org/10.1016/j.jag.2021.102400

상세보기
Guo, Z., L. Wu, Y. Huang, Z. Guo, J. Zhao, and N. Li, 2022. Water-Body Segmentation for SAR Images: Past, Current, and Future, Remote Sensing, 14(7):1752. https://doi.org/10.3390/rs14071752

상세보기
Hajduch, G. and N. Miranda, 2018. Masking "no-value" pixels on GRD products generated by the Sentinel1 ESA IPF, https://sentinel.esa.int/documents/247 904/2142675/Sentinel-1-masking-no-value-pixelsgrd-products-note.Pdf, Accessed on Sep. 26, 2022.
Hofle, B., M. Vetter, N. Pfeifer, G. Mandlburger, and J. Stotter, 2009. Water surface mapping from airborne laser scanning using signal intensity and elevation data, Earth Surface Processes and Landforms, 34(12): 1635-1649. https://doi.org/10.1002/esp.1853

상세보기
Jadon, S., 2020. A survey of loss functions for semantic segmentation, Proc. of 2020 IEEE Conference on Computational Intelligence in Bioinformatics and Computational Biology (CIBCB), Via del Mar, Chile, Oct. 27-29, pp. 1-7. https://doi.org/10.1109/CIBCB48159.2020.9277638
Jahne, B., H. Scharr, and S. Korkel, 1999. Principles of Filter Design, In: Jahne, B., Haussecker, H., Geissler, P. (eds), Handbook of computer vision and applications, Academic Press, New York, NY, USA, pp. 125-151.
Kang, W., Y. Xiang, F. Wang, L. Wan, and H. You, 2018. Flood detection in gaofen-3 SAR images via fully convolutional networks, Sensors, 18(9): 2915. https://doi.org/10.3390/s18092915

상세보기
Kim, B., K.H. Choi, and J.S. Won, 1998. Efficient Speckle Noise Filtering of Sar Images, Journal of Astronomy and Space Sciences, 15(1): 175-183 (in Korean with English abstract).
Kim, J., H. Kim, H. Jeon, S.H. Jeong, J. Song, S.K.P. Vadivel, and D.J. Kim, 2021. Synergistic Use of Geospatial Data for Water Body Extraction from Sentinel-1 Images for Operational Flood Monitoring across Southeast Asia Using Deep Neural Networks, Remote Sensing, 13(23): 4759. https://doi.org/10.3390/rs13234759

상세보기
Klemenjak, S., B. Waske, S. Valero, and J. Chanussot, 2012. Automatic detection of rivers in highresolution SAR data, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 5(5): 1364-1372. https://doi.org/10.1109/JSTARS.2012.2189099

상세보기
Li, J., C. Wang, L. Xu, F. Wu, H. Zhang, and B. Zhang, 2021. Multitemporal water extraction of dongting lake and poyang lake based on an automatic water extraction and dynamic monitoring framework, Remote Sensing, 13(5): 865. https://doi.org/10.3390/rs13050865

상세보기
Liu, H. and K.C. Jezek, 2004. Automated extraction of coastline from satellite imagery by integrating Canny edge detection and locally adaptive thresholding methods, International Journal of Remote Sensing, 25(5): 937-958. https://doi.org/10.1080/0143116031000139890

상세보기
Liu, Y., L. Li, Y. Xie, L. Chen, and Y. Deng, 2015. An optimized water detection algorithm for SAR images utilizing SOPC technologies, Proc. of IET International Radar Conference 2015, Hangzhou, China, Oct. 14-16, pp. 1-4. https://doi.org/10.1049/cp.2015.1396
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, USA, Jun. 7-12, pp. 3431-3440. https://doi.org/10.1109/CVPR.2015.7298965
Maini, R. and H. Aggarwal, 2009. Study and comparison of various image edge detection techniques, International Journal of Image Processing (IJIP), 3(1): 1-11.
Miranda, N., P.J. Meadows, D. Type, and T. Note, 2015. Radiometric calibration of S-1 Level-1 products generated by the S-1 IPF, https://sentinel.esa.int/documents/247904/685163/S1-RadiometricCalibr ation-V1.0.Pdf, Accessed on Sep. 26, 2022.
Pai, M.M.M., V. Mehrotra, S. Aiyar, U. Verma, and R.M. Pai, 2019. Automatic segmentation of river and land in sar images: A deep learning approach, Proc. of 2019 IEEE Second International Conference on Artificial Intelligence and Knowledge Engineering (AIKE), Sardinia, Italy, Jun. 3-5, pp. 15-20. https://doi.org/10.1109/AIKE.2019.00011
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. https://doi.org/10.48550/arXiv.1505.04597
Shrivakshan, G.T. and C. Chandrasekar, 2012. A comparison of various edge detection techniques used in image processing, International Journal of Computer Science Issues (IJCSI), 9(5): 269-276. http://dx.doi.org/10.14257/ijsip.2016.9.2.13

상세보기
Silveira, M. and S. Heleno, 2009. Classification of water regions in SAR images using level sets and non-parametric density estimation, Proc. of 2009 16th IEEE International Conference on Image Processing (ICIP), Cairo, Egypt, Nov. 7-10, pp. 1685-1688. https://doi.org/10.1109/ICIP.2009.5413391
Ting, K.M., 2011. Confusion Matrix, In: Sammut, C., Webb, G.I. (eds), Encyclopedia of Machine Learning, Springer, Boston, MA, USA. https://doi.org/10.1007/978-0-387-30164-8_157
Vernon, D., 1991. Machine vision, Prentice Hall, Hoboken, NJ, USA, p. 143.
Wang, J., Y. Feng, R. Wang, X. Tong, S. Chen, Z. Lei, and M. Xi, 2022. Evaluation of typhoon-induced inundation losses associated with LULC using multi-temporal SAR and optical images, Geomatics, Natural Hazards and Risk, 13(1): 2227-2251. https://doi.org/10.1080/19475705.2022.2112624

상세보기
White, L., B. Brisco, M. Dabboor, A. Schmitt, and A. Pratt, 2015. A collection of SAR methodologies for monitoring wetlands, Remote Sensing, 7(6): 7615-7645. https://doi.org/10.3390/rs70607615

상세보기
Wu, L., L. Wang, L. Min, W. Hou, Z. Guo, J. Zhao, and N. Li, 2018. Discrimination of algal-bloom using spaceborne SAR observations of Great Lakes in China, Remote Sensing, 10(5): 767. https://doi.org/10.3390/rs10050767

상세보기
Xie, L., H. Zhang, and C. Wang, 2015. Water-body types classification using Radarsat-2 fully polarimetric SAR data, Proc. of 2015 IEEE International Conference on Aerospace Electronics and Remote Sensing Technology (ICARES), Bali, Indonesia, Dec. 3-5, pp. 1-5. https://doi.org/10.1109/ICARES.2015.7429816
Yuan, K., X. Zhuang, G. Schaefer, J. Feng, L. Guan, and H. Fang, 2021. Deep-learning-based multispectral satellite image segmentation for water body detection, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 14: 7422-7434. https://doi.org/10.1109/JSTARS.2021.3098678

상세보기

저자의 다른 논문 :

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

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