[논문]KOMPSAT 정사모자이크 영상으로부터 U-Net 모델을 활용한 농촌위해시설 분류

공성현; 정형섭; 이명진; 이광재; 오관영; 장재영

doi:10.7780/kjrs.2023.39.6.3.3

KOMPSAT 정사모자이크 영상으로부터 U-Net 모델을 활용한 농촌위해시설 분류
Semantic Segmentation of Hazardous Facilities in Rural Area Using U-Net from KOMPSAT Ortho Mosaic Imagery 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.39 no.6/1, 2023년, pp.1693 - 1705

공성현 (서울시립대학교 공간정보공학과) , 정형섭 (서울시립대학교 공간정보공학과) , 이명진 (한국환경연구원 물국토연구본부 환경계획실) , 이광재 (한국항공우주연구원 위성활용부) , 오관영 (한국항공우주연구원 위성활용부) , 장재영 (한국항공우주연구원 위성활용부)

초록
AI-Helper

국토 면적의 약 90%를 차지하는 농촌은 여러가지 공익적 기능을 수행하는 공간으로서 중요성과 가치가 증가하고 있지만 주거지 인근에 축사, 공장, 태양광패널 등 주민생활에 불편을 미치는 시설들이 무분별하게 들어서면서 농촌 환경과 경관이 훼손되고 주민 삶의 질이 낮아지고 있다. 농촌지역의 무질서한 개발을 방지하고 농촌 공간을 계획적으로 관리하기 위해서는 농촌지역 내 위해시설에 대한 탐지 및 모니터링이 필요하다. 주기적으로 취득 가능하고 전체 지역에 대한 정보를 얻을 수 있는 위성영상을 통해 데이터의 취득이 가능하고, 합성곱 신경망 기법을 통한 영상 기반 딥러닝 기술을 활용하여 효과적인 탐지가 가능하다. 따라서 본 연구에서는 의미적 분할(Semantic segmentation)에서 높은 성능을 보이는 U-Net 모델을 이용하여 농촌 지역에서 잠재적으로 위해시설이 될 수 있는 농촌시설을 분류하는 연구를 수행하였다. 본 연구에서는 2020년에 제작된 공간해상도 0.7 m의 KOMPSAT 정사모자이크 광학영상을 한국항공우주연구원으로부터 제공받아 사용하였으며 축사, 공장, 태양광 패널에 대한 AI 학습용 데이터를 직접 제작하여 학습 및 추론을 진행하였다. U-Net을 통해 학습시킨 결과 픽셀 정확도(pixel accuracy)는 0.9739, mean Intersection over Union (mIOU)은 0.7025의 값을 도출하였다. 본 연구 결과는 농촌 지역의 위험 시설물 모니터링에 활용될 수 있으며, 농촌계획 수립에 있어 기초 자료로 활용될 수 있을 것으로 기대된다.

Abstract ▼ AI-Helper

Rural areas, which account for about 90% of the country's land area, are increasing in importance and value as a space that performs various public functions. However, facilities that adversely affect residents' lives, such as livestock facilities, factories, and solar panels, are being built indiscriminately near residential areas, damaging the rural environment and landscape and lowering the quality of residents' lives. In order to prevent disorderly development in rural areas and manage rural space in a planned manner, detection and monitoring of hazardous facilities in rural areas is necessary. Data can be acquired through satellite imagery, which can be acquired periodically and provide information on the entire region. Effective detection is possible by utilizing image-based deep learning techniques using convolutional neural networks. Therefore, U-Net model, which shows high performance in semantic segmentation, was used to classify potentially hazardous facilities in rural areas. In this study, KOMPSAT ortho-mosaic optical imagery provided by the Korea Aerospace Research Institute in 2020 with a spatial resolution of 0.7 meters was used, and AI training data for livestock facilities, factories, and solar panels were produced by hand for training and inference. After training with U-Net, pixel accuracy of 0.9739 and mean Intersection over Union (mIoU) of 0.7025 were achieved. The results of this study can be used for monitoring hazardous facilities in rural areas and are expected to be used as basis for rural planning.

주제어

표/그림 (11)

그림 Fig. 1. Study areas of this study.
표 Table 1. Number of rural facilities in the study area
표 Table 2. KOMPSAT ortho mosaic imagery used in this study
표 Table 3. Rural facilities data used in this study
그림 Fig. 2. Data flow of this study.
그림 Fig. 3. U-Net model architecture used in this study.
그림 Fig. 4. The examples of constructed AI training data. (a-c) KOMPSAT ortho mosaic imagery. (d-f) Label data.
그림 Fig. 5. Prediction result of single object in 512 × 512 test data. (a1-c1) Satellite image. (a2-c2) True label. (a3-c3) Prediction result.
그림 Fig. 6. Prediction result of multiple objects in 512 × 512 test data. (a1-c1) Satellite image. (a2-c2) True label. (a3-c3) Prediction result.
표 Table 4. Performance evaluation indices of the U-Net model in this study
그림 Fig. 7. Precision-recall curve of trained U-Net.

AI 본문요약
AI-Helper

문제 정의

따라서 본 연구에서는 농림축산식품부의 2023년 농촌공간정비사업 시행지침에서 유해시설 범위로 다룬 축사, 공장, 재생에너지시설(태양광 패널)을 농촌위해 시설 분류 대상 객체로 정의하였다. 농촌 위해시설을 관리하기 위한 데이터의 취득은 일반적으로 현장조사를 통해 취득되고 있으며 각 지방자치단체 또는 공공기관을 통해 데이터의 수집 및 관리가 이루어지고 있다.
본 연구에서는 AI 모델의 학습을 위해 필요한 농촌 위해시설 라벨 데이터의 부재를 확인하였고, 이를 해결하기 위해 새로운 농촌위해시설라벨 데이터를 KOMPSAT 정사모자이크 광학영상을 활용하여 직접 구축하였다. 하지만 위성영상만을 활용하여 축사, 공장, 태양광 패널과 같은 연구 대상 객체들의 존재 및 구축 여부를 판단하는 것에는 여러 한계점이 존재한다.
이에 따라 본 연구에서는 KOMPSAT 정사모자이크 광학영상 데이터를 U-Net 모델에 적용하여 농촌위해 시설을 분류하고자 하였으며 축사, 공장, 태양광 패널을 본 연구의 분류 대상으로 선정하여 의미론적 분할 기법을 적용하였고 결과 분석을 통해 분류 가능성을 분석하였다. 본 연구에서는 딥러닝 모델의 적용을 위하여 축사, 공장, 태양광 패널에 대한 AI 학습 데이터를 제작하였고 이를 토대로 향후 농촌 계획 수립의 기초 자료로써 활용 가능성을 확인하였다.
본 연구에서는 이미지 의미적 객체 분할에서 효과적인 성능을 보여주고 있으며 활발하게 영상분할 기법에 적용되는 U-Net 모델을 사용하여 잠재적으로 농촌위해시설이 될 수 있는 축사, 공장, 태양광 패널에 대한 객체 분류를 진행하였다. 딥러닝 모델 학습을 위하여 축사, 공장, 태양광 패널에 대하여 라벨 데이터를 직접 제작하여 학습 및 추론을 진행하였고 F1 스코어 값이 공장 0.

제안 방법

Ronneberger et al. (2015)에 의해 제안된 기존의 U-Net은 하나의 인코딩 블록과 디코딩 블록에서 두 번의 컨볼루션(convolution) 연산이 적용되지만 본 연구에서 사용한 U-Net 모델은 컨볼루션 연산의 반복 횟수를 세 번으로 늘려 특징 추출 능력을 강화하고 작은 객체의 인식 성능을 높일 수 있도록 보완하였다.
U-Net 모델의 입력데이터로 사용하기 위해 위성영상과 라벨데이터의 쌍을 25% 중복률을 고려하여 512 × 512 크기의 패치데이터로 가공하는 과정을 수행하였다
모델을 학습시킨 후, 예측된 결과와 실제 정답값의 비교를 통해 혼동 행렬(confusion matrix)을 제작하였다. 이를 통해 픽셀 정확도(Pixel Accuracy), 정밀도(Precision), 재현율(Recall), F1 스코어(score), Intersection over Union (IoU)을 모델을 정량적으로 평가하기 위한 지표로 사용하였다(Yu et al.
본 연구에서는 데이터의 개수가 가장 적은 태양광 패널객체가 포함된 512 × 512 패치데이터에 대하여 오버샘플링(oversampling)을 적용하였으며, 오버샘플링된 데이터셋에 대하여 임의 회전(random rotation), 임의 크기변환(random scaling), 임의 영역 삭제(random cutout) 방법을 적용하였다.
본 연구에서는 분할한 학습 데이터셋에 대하여 데이터 확장 기법을 적용하여 데이터셋의 불균형을 해소하고 데이터의 다양성을 확보하였다. 이를 통해 모델의 일반성을 확보하여 딥러닝 모델의 성능을 향상시킬 수 있도록 하였다(Sun et al.
하지만 위성영상만을 활용하여 축사, 공장, 태양광 패널과 같은 연구 대상 객체들의 존재 및 구축 여부를 판단하는 것에는 여러 한계점이 존재한다. 이러한 문제를 극복하기 위해 농촌시설 공간정보 데이터를 포인트 데이터로 변환하여 참조 데이터로 활용하였으며, 이를 통해 보다 정확한 어노테이션 작업을 수행하였다. 데이터 어노테이션 작업방법 및 구체적인 어노테이션 구축 기준은 Gong et al.
이에 따라 본 연구에서는 KOMPSAT 정사모자이크 광학영상 데이터를 U-Net 모델에 적용하여 농촌위해 시설을 분류하고자 하였으며 축사, 공장, 태양광 패널을 본 연구의 분류 대상으로 선정하여 의미론적 분할 기법을 적용하였고 결과 분석을 통해 분류 가능성을 분석하였다. 본 연구에서는 딥러닝 모델의 적용을 위하여 축사, 공장, 태양광 패널에 대한 AI 학습 데이터를 제작하였고 이를 토대로 향후 농촌 계획 수립의 기초 자료로써 활용 가능성을 확인하였다.
512 × 512 크기의 패치 데이터로 구축된 입력 데이터셋은 8:2의 비율로 학습 데이터셋과 시험 데이터셋으로 분할하여 구성하였다. 학습 데이터셋에 대하여 데이터 확장기법(data augmentation)을 적용하여 데이터의 다양성을 확보하였으며 이를 통해 과적합을 방지하고 모델의 일반성을 확보하였다. 학습 데이터셋은 U-Net 모델의 학습에, 테스트 데이터셋은 학습된 모델을 통한 추론과 정량적 평가에 사용하였다.

대상 데이터

획득한 주소데이터는 지오코딩(geocoding)을 통해 포인트 데이터로 변환하여 본 연구에 사용하였다. KOMPSAT 정사모자이크 광학영상과 농촌시설 공간데이터는 각각 한국항공우주연구원(Korea Aerospace Research Institute)과 한국농촌경제연구원(Korea Rural Economic Institute)으로부터 제공받아 활용하였다.
난개발이 심각한 특정 지역을 대상으로 위해시설의 철거, 이전 등의 정비를 위한 사업이 진행되는 농촌협약 대상지를 연구지역 선정의 기준으로 정하였다. 이에 따라 본 연구의 연구 대상지역은 2022년 농촌협약 대상지로 선정된 대한민국의 충청남도 서산시, 경기도 안성시, 전라남도 나주시, 경상남도 거창군으로 설정하였다.
2는 본 연구의 전체적인 흐름을 나타낸다. 본 연구에 사용된 AI 학습 데이터셋의 라벨 데이터는 KOMPSAT 정사모자이크 광학영상과 농촌시설 포인트 데이터를 활용하여 데이터 어노테이션(data annotation)을 통해 직접 구축하였다. AI 학습 데이터셋은 위성영상 데이터와 라벨 데이터의 쌍으로 구성되며, U-Net 모델의 입력데이터로 사용하기 위해 512 × 512 크기의 패치데이터로 가공하는 과정을 수행하였다.
본 연구의 AI 학습용 데이터 구축의 결과 U-Net 모델에 적용하기 위한 512 × 512 패치크기의 입력 데이터셋은 총 8,087장이 제작되었다
Table 2는 본 연구에 사용된 KOMPSAT 정사모자이크 광학영상의 정보를 나타낸다. 사용된 정사모자이크 광학영상은 2020년도 전체에 걸쳐 촬영 및 제작되었으며 Red, Green, Blue 3개의 파장대역이 사용되었고 0.7 m의 공간 해상도를 갖는다. Table 3은 본 연구에 사용된 농촌시설 공간 데이터의 정보를 나타내며 주소 정보, 획득 연도, 축종, 건물명 등의 속성 정보를 포함한다.
연구 데이터는 서산시, 안성시, 나주시, 거창군의 농촌위해시설 AI 학습 데이터의 제작 및 분류를 위하여 해당 지역을 포함하는 KOMPSAT 정사모자이크 광학 영상과 농촌시설 공간데이터를 활용하였다. Table 2는 본 연구에 사용된 KOMPSAT 정사모자이크 광학영상의 정보를 나타낸다.
난개발이 심각한 특정 지역을 대상으로 위해시설의 철거, 이전 등의 정비를 위한 사업이 진행되는 농촌협약 대상지를 연구지역 선정의 기준으로 정하였다. 이에 따라 본 연구의 연구 대상지역은 2022년 농촌협약 대상지로 선정된 대한민국의 충청남도 서산시, 경기도 안성시, 전라남도 나주시, 경상남도 거창군으로 설정하였다. Fig.
본 연구의 AI 학습용 데이터 구축의 결과 U-Net 모델에 적용하기 위한 512 × 512 패치크기의 입력 데이터셋은 총 8,087장이 제작되었다. 지역별로 서산지역 1,361장, 안성지역 2,454장, 나주지역 2,491장, 거창지역 1,781장으로 최종 제작되었다. 해당 입력 데이터셋은 모든 데이터에 대하여 512 × 512 패치 내에 비대상지를 제외한 분류대상 객체가 1픽셀이상 존재하지만 전체 패치 대비 비대상지의 비율을 고려하지 않았다.
최종적으로 본 연구의 입력데이터 셋은 학습 데이터 5,001쌍과 시험데이터 475쌍으로 구성되었다. Figs.
Table 3은 본 연구에 사용된 농촌시설 공간 데이터의 정보를 나타내며 주소 정보, 획득 연도, 축종, 건물명 등의 속성 정보를 포함한다. 획득한 주소데이터는 지오코딩(geocoding)을 통해 포인트 데이터로 변환하여 본 연구에 사용하였다. KOMPSAT 정사모자이크 광학영상과 농촌시설 공간데이터는 각각 한국항공우주연구원(Korea Aerospace Research Institute)과 한국농촌경제연구원(Korea Rural Economic Institute)으로부터 제공받아 활용하였다.

이론/모형

F1 스코어는 특히 클래스 간의 불균형이 존재하는 데이터 세트에서 픽셀 정확도만으로 모델의 성능평가가 어려운 점을 보완할 수 있는 지표이다(Chicco and Jurman, 2020; Miao and Zhu, 2022). 또한 Precision-Recall curve와 평균 정밀도(Average Precision)를 모델 성능 평가에 활용하였다. Precision-Recall curve는 정밀도와 재현율의 서로 다른 임계값에서의 관계를 시각적으로 나타낸 그래프이고, 평균 정밀도는 곡선의 아래 면적을 나타내는 지표로 값이 클수록 모델의 성능이 우수함을 나타낸다(Miao and Zhu, 2022; Lee et al.

성능/효과

Table 4는 학습된 U-Net 모델을 시범데이터를 통해 검증한 정량적인 지표들을 나타낸다. 3가지 분류 클래스의 분류 성능은 정밀도와 재현율의 조화평균인 F1 스코어를 통해 확인할 수 있는데 각각의 정량적인 수치는 공장이 0.8418, 태양광 패널이 0.8104, 축사가 0.7789로 공장이 가장 높은 분류 성능을 보였다. 축사의 분류 성능이 낮게 나온 결과는 추론된 이미지를 통해 정성적으로 평가한 내용과 일치하는 것을 확인할 수 있다.
5의 추론된 결과들은 공통적으로 512 × 512 패치 내에 단일 클래스만이 존재하는 것을 확인할 수 있는데, 구분이 명확한 단일 객체만 존재하는 경우 모델의 분류성능이 높은 것을 확인할 수 있다
따라서 비대상지가 매우 높은 비율을 차지하는 본 연구의 데이터셋과 같은 경우 모델의 평균 정밀도 값은 유의미한 분석을 도출하기 어렵다는 사실을 확인할 수 있다. 각각의 클래스별 정밀도는 공장, 축사, 태양광 패널 순서로 성능이 높게 도출되었으며, 이는 정성평가 및 F1 스코어를 통해 확인한 결과와 경향이 일치하는 것을 확인할 수 있다.
이는 앞서 정성적으로 분석한 내용과 경향이 일치하는 것을 확인할 수 있다. 본 연구에서 사용한 U-Net 모델의 평균 IoU 값은 0.7025로 예측한 부분과 실제 참값 영역의 합집합에 대해 70% 이상의 비율로 맞게 분류하였음을 확인할 수 있다.
본 연구에서는 시험 데이터에 대한 정성적, 정량적 평가를 통해 축사, 공장 그리고 일반 건물에 대한 구분과 인식이 모델의 성능에 가장 큰 영향을 미친다는 사실을 확인하였다. 이는 실제 영상으로만 건물 이용에 대한 분류를 수행하는 것에는 한계가 있기 때문이며 이를 해결하기 위해서는 추가적인 데이터 또는 정보의 활용이 필요하다.

후속연구

그러나 현재 농촌 지역의 난개발 요소들과 위해시설은 현실적인 관리 수단이 부재하여 체계적인 관리 및 모니터링이 미비한 실정이다. 농촌 주거환경을 보호, 정비하고 체계적인 공간 계획을 수립하기 위해서는 농촌 위해시설에 대한 데이터의 구축 범위, 구축 방법 및 추가적인 공간 조사방법이 필요하다. 농촌공간 재구조화 및 재생지원에 관한 법률 제2조 제14항에 따르면 “농촌위해시설”을 농촌 생활, 경관 및 환경에 부정적 영향을 미치는 건강위해시설, 환경위해시설, 기타위해시설로 정의하고 있지만 정량적인 지표 및 범위에 대한 기준이 마련되어 있지 않다.
본 연구를 통해 농촌위해시설에 대한 분류 가능성을 확인할 수 있었고, 연구의 결과는 “농촌”의 다양한 공간적 특징을 효율적으로 접근, 분석하기 위한 위성정보 활용 체계 마련과 향후 농촌공간계획 수립에 있어 기초자료 역할을 할 수 있을 것이라고 기대된다.
본 연구에서 가장 개선이 필요한 축사의 분류 성능을 높이기 위해서 건물의 구분을 위한 기타 행정 데이터를 추가 활용하거나 입지 특성을 고려하여 데이터의 구축 방식을 변경하는 등의 추가적인 방법을 향후 연구에서 다룰 예정이다. 본 연구를 통해 농촌위해시설에 대한 분류 가능성을 확인할 수 있었고, 연구의 결과는 “농촌”의 다양한 공간적 특징을 효율적으로 접근, 분석하기 위한 위성정보 활용 체계 마련과 향후 농촌공간계획 수립에 있어 기초자료 역할을 할 수 있을 것이라고 기대된다.
이는 실제 영상으로만 건물 이용에 대한 분류를 수행하는 것에는 한계가 있기 때문이며 이를 해결하기 위해서는 추가적인 데이터 또는 정보의 활용이 필요하다. 이에 따라 기타 행정 데이터를 추가 활용하거나, 축사 인접지는 대부분 논밭이며, 공장은 대부분 아스팔트 상에 존재하는 입지 특성 등을 고려하여 추가적인 연구가 필요할 것으로 보인다.

참고문헌 (26)

Akil, M., Saouli, R., and Kachouri, R., 2020. Fully？automatic brain tumor segmentation with deep？learning-based selective attention using overlapping？patches and multi-class weighted cross-entropy.？Medical Image Analysis, 63, 101692. https://doi.org/10.1016/j.media.2020.101692

상세보기
Alomar, K., Aysel, H. I., and Cai, X., 2023. Data？augmentation in classification and segmentation:？A survey and new strategies. Journal of Imaging,？9(2), 46. https://doi.org/10.3390/jimaging9020046

상세보기
Baek, W. K., and Jung, H. S., 2021. Performance？comparison of oil spill and ship classification？from x-band dual-and single-polarized SAR？image using support vector machine, random？forest, and deep neural network. Remote Sensing,？13(16), 3203. https://doi.org/10.3390/rs13163203

상세보기
Baek, W. K., Lee, M. J., and Jung, H. S., 2022. The？performance improvement of U-Net model for？landcover semantic segmentation through data？augmentation. Korean Journal of Remote Sensing,？38(6-2), 1663-1676. https://doi.org/10.7780/kjrs.2022.38.6.2.8

원문보기 상세보기
Baek, W. K., Park, S. H., Jeong, N. K., Kwon, S., Jin,？W. J., and Jung, H. S., 2017. A study for the？techniques and applications of NIR remote sensing？based on statistical analyses of NIR-related papers.？Korean Journal of Remote Sensing, 33(5-3),？889-900. https://doi.org/10.7780/kjrs.2017.33.5.3.11

원문보기 상세보기
Cheng, B., Girshick, R., Dollar, P., Berg, A. C., and？Kirillov, A., 2021. Boundary IoU: Improving？object-centric image segmentation evaluation. In？Proceedings of the 2021 IEEE/CVF Conference？on Computer Vision and Pattern Recognition？(CVPR), Nashville, TN, USA, June 20-25, pp.？15329-15337. https://doi.org/10.1109/CVPR46437.2021.01508
Chicco, D., and Jurman, G., 2020. The advantages of？the Matthews correlation coefficient (MCC) over？F1 score and accuracy in binary classification？evaluation. BMC Genomics, 21, 6. https://doi.org/10.1186/s12864-019-6413-7

상세보기
Du, G., Cao, X., Liang, J., Chen, X., and Zhan, Y., 2020. Medical image segmentation based on U-Net: A review. Journal of Imaging Science and？Technology, 64, Article ID: jist0710. http://doi.org/10.2352/J.ImagingSci.Technol.2020.64.2.020508

상세보기
Feng, W., Sui, H., Huang, W., Xu, C., and An, K., 2018. Water body extraction from very high-resolution remote sensing imagery using deep？U-Net and a superpixel-based conditional random？field model. IEEE Geoscience and Remote？Sensing Letters, 16(4), 618-622. https://doi.org/10.1109/LGRS.2018.2879492

상세보기
Gong, S. H., Jung, H. S., Lee, M. J., Lee, K. J., Oh,？K. Y., Chang, J. Y. et al., 2023. GeoAI dataset？for rural hazardous facilities segmentation from？KOMPSAT ortho mosaic imagery. Geo Data,？5(4).
Johnson, J. M., and Khoshgoftaar, T. M., 2019. Survey？on deep learning with class imbalance. Journal of？Big Data, 6, 27. https://doi.org/10.1186/s40537-019-0192-5

상세보기
Jung, J., and Kim, B., 2016. Using numerical maps to？select solar panel installation sites on expressway？slopes. Korean Journal of Construction Engineering？and Management, 17(5), 71-77. https://doi.org/10.6106/kjcem.2016.17.5.071

원문보기 상세보기
Kim, Y. L., Jeong, H. K., and Heo, J. N., 2014. The？economic evaluation of the public value of？agriculture and rural area in Korea. Journal of？Korean Society of Rural Planning, 20(4), 101-112.？https://doi.org/10.7851/ksrp.2014.20.4.101

원문보기 상세보기
Korea Rural Economic Institute, 2022. Chapter 3: How？to prepare for rural spatial planning. Korean？Rural Economic Institute. https://www.aglook.kr/upload/event/hwp/time2/2%EB%B6%801%EB%B6%84%EA%B3%BC2_%ED%95%9C%EC%9D%B4%EC%B2%A0.pdf
LeCun, Y., Bengio, Y., and Hinton, G., 2015. Deep？learning. Nature, 521, 436-444. https://doi.org/10.1038/nature14539

상세보기
Lee, S., Baek, W. K., Jung, H. S., and Lee, S., 2020.？Susceptibility mapping on urban landslides using？deep learning approaches in Mt. Umyeon. Applied？Sciences, 10(22), 8189. https://doi.org/10.3390/app10228189

상세보기
Long, J., Shelhamer, E., and Darrell, T., 2015. Fully？convolutional networks for semantic segmentation.？In Proceedings of the 2015 IEEE Conference on？Computer Vision and Pattern Recognition, Boston,？MA, USA, June 7-12, pp. 3431-3440. https://doi.org/10.1109/CVPR.2015.7298965
Miao, J., and Zhu, W., 2022. Precision-recall curve (PRC)？classification trees. Evolutionary Intelligence, 15,？1545-1569. https://doi.org/10.1007/s12065-021-00565-2

상세보기
Perez, L., and Wang, J., 2017. The effectiveness of data？augmentation in image classification using deep？learning. arXiv preprint arXiv:1712.04621. https://doi.org/10.48550/arXiv.1712.04621
Rahman, M. A., and Wang, Y., 2016. Optimizing？intersection-over-union in deep neural networks？for image segmentation. In: Bebis, G., Boyle,？R., Parvin, B., Koracin, D., Porikli, F., Skaff, S. et？al. (eds.), Advances in Visual Computing, Springer,？pp. 234-244. https://doi.org/10.1007/978-3-319-50835-1_22
Ronneberger, O., Fischer, P., and Brox, T., 2015. U-Net: Convolutional networks for biomedical？image segmentation. In: Navab, N., Hornegger,？J., Wells, W., Frangi, A. (eds.), Medical Image？Computing and Computer-Assisted Intervention-MICCAI 2015, Springer, pp. 234-241. https://doi.org/10.1007/978-3-319-24574-4_28
Seong, J.-I., 2020. Directions and challenges in establishing？rural spatial planning. Korea Rural Economic？Institute.
Shorten, C., and Khoshgoftaar, T. M., 2019. A survey？on image data augmentation for deep learning.？Journal of Big Data, 6, 60. https://doi.org/10.1186/s40537-019-0197-0

상세보기
Sun, C., Shrivastava, A., Singh, S., and Gupta, A., 2017.？Revisiting unreasonable effectiveness of data in？deep learning era. In Proceedings of the 2017？IEEE International Conference on Computer？Vision (ICCV), Venice, Italy, Oct. 22-29, pp.？843-852. https://doi.org/10.1109/ICCV.2017.97
Ulmas, P., and Liiv, I., 2020. Segmentation of satellite？imagery using U-Net models for land cover？classification. arXiv preprint arXiv:2003.02899.？https://doi.org/10.48550/arXiv.2003.02899
Yu, J. W., Yoon, Y. W., Baek, W. K., and Jung, H. S., 2021. Forest vertical structure mapping using？two-seasonal optic images and LiDAR DSM？acquired from UAV platform through random？forest, XGBoost, and support vector machine？approaches. Remote Sensing, 13(21), 4282.？https://doi.org/10.3390/rs13214282

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