본 연구는 도시 가로수를 대상으로 드론에 장착된 멀티스펙트럴 센서에서 취득된 영상을 처리하여 만든 정규식생지수(NDVI)의 정사영상과 라이다 센서로 취득된 포인트 클라우드를 융합하여, 자동 세그멘테이션 및 수목 구조 정보 산정을 수행하는 방법론을 제안하였다. 도시 환경은 가로등과 건물 등 비식생 인공구조물이 밀집해 있어 가로수 세그멘테이션 과정에서 큰 장애가 되며, 이를 극복하기 위해 NDVI를 활용하여 비식생 포인트를 제거한 식생 포인트 클라우드를 추출하였다. 이후 포인트 클라우드를 영상으로 변환한 뒤 ViT 기반의 파운데이션 모델인 SAM을 활용하여 인스턴스 세그멘테이션을 수행하였고, 세그멘테이션된 각 영역은 고유 ID를 부여하여 포인트 클라우드 복원과 수고 및 수관폭 산정에 활용되었다. 상업용 소프트웨어를 이용한 정량적 평가 결과 수고와 수관폭의 평균제곱근오차는 각각 0.18m와 0.48m로 나타났다.

지상기준점 관측은 사진측량에서 노동집약적이고 많은 시간을 소모하는 작업 중 하나이며, 작업자의 숙련도에 따라 결과물의 품질이 달라질 수 있다. 본 연구에서는 항공 정사영상을 사용하여 GCP chip을 제작하고, 딥러닝 기반의 영상 매칭 알고리즘을 활용하여 최적의 GCP chip 크기를 결정하는 것을 목표로 하였다. LightGlue 매칭 알고리즘을 활용하여 GCP chip과 항공영상 간의 특징점을 매칭하고 데이터스누핑을 통해 아웃라이어를 제거하여 매칭 정확도를 높였다. 그 후 호모그래피 매개변수 계산을 통해 GCP chip에 대응되는 영상좌표를 결정하고, 수작업으로 GCP를 관측한 결과와 비교하였다. 실험결과를 통해 동일한 공간해상도에서는 301×301 크기의 GCP chip이 정확도가 가장 높았고, 공간해상도가 다른 경우는 201×201 크기의 GCP chip이 가장 높은 정확도를 보였다.

최근 자율주행에 대한 관심이 증가함에 따라, 차량에서 교통 표지판을 탐지하고 분류하기 위한 다양한 센서가 개발되었다. 그러나 센서의 오작동으로 인해 도로 교통 시설이 인식되지 않는 경우, 모바일 매핑 시스템(Mobile Mapping Systems, MMSs)이 수집한 포인트 클라우드 데이터와 영상이 활용되어 도로 교통 시설 정보를 포함하는 고해상도 지도(high-definition map)를 구축한다. 하지만 고해상도 지도 구축의 대상인 교통 표지판을 포인트 클라우드 데이터를 이용해 구성하는 경우, 표지판이 고반사성을 띠기 때문에 교통 표지판을 탐지하고 분류하기가 어렵다. 본 연구에서는 MMSs로부터 획득한 영상 데이터에 기반하여 Mask Regions with Convolutional Neuron Network(Mask R-CNN)와 Inception-v3 모델을 결합함으로써 교통 표지판을 탐지하고 세분 분류하였다. 다양한 유형의 MMS에서 얻은 영상 데이터를 사용해 교통 표지판을 탐지하였고, 분류 결과를 검증하였다. 교통 표지판 탐지 정확도는 87.6%, 분류 정확도는 77.5%로 나타났으며, 따라서 본 연구에서 제안한 방법은 고해상도 지도를 위한 교통 표지판을 자동으로 구축하는 데 활용될 수 있다.

본 연구는 도시 가로수를 대상으로 드론에 장착된 멀티스펙트럴 센서에서 취득된 영상을 처리하여 만든 정규식생지수(NDVI)의 정사영상과 라이다 센서로 취득된 포인트 클라우드를 융합하여, 자동 세그멘테이션 및 수목 구조 정보 산정을 수행하는 방법론을 제안하였다. 도시 환경은 가로등과 건물 등 비식생 인공구조물이 밀집해 있어 가로수 세그멘테이션 과정에서 큰 장애가 되며, 이를 극복하기 위해 NDVI를 활용하여 비식생 포인트를 제거한 식생 포인트 클라우드를 추출하였다. 이후 포인트 클라우드를 영상으로 변환한 뒤 ViT 기반의 파운데이션 모델인 SAM을 활용하여 인스턴스 세그멘테이션을 수행하였고, 세그멘테이션된 각 영역은 고유 ID를 부여하여 포인트 클라우드 복원과 수고 및 수관폭 산정에 활용되었다. 상업용 소프트웨어를 이용한 정량적 평가 결과 수고와 수관폭의 평균제곱근오차는 각각 0.18m와 0.48m로 나타났다.

지상기준점 관측은 사진측량에서 노동집약적이고 많은 시간을 소모하는 작업 중 하나이며, 작업자의 숙련도에 따라 결과물의 품질이 달라질 수 있다. 본 연구에서는 항공 정사영상을 사용하여 GCP chip을 제작하고, 딥러닝 기반의 영상 매칭 알고리즘을 활용하여 최적의 GCP chip 크기를 결정하는 것을 목표로 하였다. LightGlue 매칭 알고리즘을 활용하여 GCP chip과 항공영상 간의 특징점을 매칭하고 데이터스누핑을 통해 아웃라이어를 제거하여 매칭 정확도를 높였다. 그 후 호모그래피 매개변수 계산을 통해 GCP chip에 대응되는 영상좌표를 결정하고, 수작업으로 GCP를 관측한 결과와 비교하였다. 실험결과를 통해 동일한 공간해상도에서는 301×301 크기의 GCP chip이 정확도가 가장 높았고, 공간해상도가 다른 경우는 201×201 크기의 GCP chip이 가장 높은 정확도를 보였다.

최근 자율주행에 대한 관심이 증가함에 따라, 차량에서 교통 표지판을 탐지하고 분류하기 위한 다양한 센서가 개발되었다. 그러나 센서의 오작동으로 인해 도로 교통 시설이 인식되지 않는 경우, 모바일 매핑 시스템(Mobile Mapping Systems, MMSs)이 수집한 포인트 클라우드 데이터와 영상이 활용되어 도로 교통 시설 정보를 포함하는 고해상도 지도(high-definition map)를 구축한다. 하지만 고해상도 지도 구축의 대상인 교통 표지판을 포인트 클라우드 데이터를 이용해 구성하는 경우, 표지판이 고반사성을 띠기 때문에 교통 표지판을 탐지하고 분류하기가 어렵다. 본 연구에서는 MMSs로부터 획득한 영상 데이터에 기반하여 Mask Regions with Convolutional Neuron Network(Mask R-CNN)와 Inception-v3 모델을 결합함으로써 교통 표지판을 탐지하고 세분 분류하였다. 다양한 유형의 MMS에서 얻은 영상 데이터를 사용해 교통 표지판을 탐지하였고, 분류 결과를 검증하였다. 교통 표지판 탐지 정확도는 87.6%, 분류 정확도는 77.5%로 나타났으며, 따라서 본 연구에서 제안한 방법은 고해상도 지도를 위한 교통 표지판을 자동으로 구축하는 데 활용될 수 있다.

현재 자율주행 기술의 안정성을 향상하기 위해 고해상도 지도에 대한 수요가 점차 증가하고 있다. 그러나 현재의 고해상도 지도 구축 과정은 디지타이징과 구조적 편집을 위한 수작업 비중이 높아, 빈번하게 변화하는 도로 조건을 지속적으로 유지하기 어렵다. 또한 고해상도 지도의 품질은 이를 생성하는 사람의 숙련도에 따라 달라지므로, 일관성을 확보하기가 어렵다. 이에 따라 본 연구에서는 모바일 매핑 시스템으로 취득한 점군(point cloud)에서 도로 차선 표시 영역을 추출하는 방법론을 제안한다. 본 방법론은 딥러닝 모델을 사용하여 도로 차선 표시의 색상 유형을 예측한 다음, 자동으로 고해상도 지도 레이어를 생성한다. 제안된 방법론을 통해 생성된 도로 차선 표시 벡터 데이터의 활용 가능성을 검증하기 위해 위치 정확도 및 벡터 구조화(vector structuring) 테스트를 수행하였다. 위치 정확도 테스트에서 원본 및 생성 벡터 데이터의 수평·수직 위치에 대한 최대 오차는 0.2 m 이내였고, 95% 신뢰 수준에서의 평균제곱근오차(root mean square error)는 0.1 m 이내였다. 벡터 구조화 테스트에서는 두 연구 대상 영역 모두 구조화 정확도가 85% 이상으로 높은 것으로 나타났다.

“저장소 추출을 위한 파인튜닝 Segment Anything 모델(SAM): 인기 CNN과의 비교—우주 기반 합성개구레이더 이미지 실험”에 대한 논문 수정 사항을 제시한다.

3차원 지상좌표가 2차원 평면상에 있는 경우 공선조건식에 평면의 방정식을 적용한 투영변환이나 호모그래피를 통해 영상과 지상좌표간의 관계를 설정할 수 있다. 호모그래피는 한 평면에서 다른 평면으로 투영변환하여 매핑하는 것을 나타내며, 특히 시각적 변화에 따라 실시간으로 객체를 매핑하기 위해 카메라의 자세와 위치를 결정해야 하는 증강현실에서 많이 사용되고 있다. 본 연구에서는 점과 직선의 프리미티브를 이용하여 호모그래피로부터 카메라의 외부표정요소를 결정하는 방법을 제안하였다. 실험 결과 영상에서 네 점을 이용하여 결정한 외부표정요소를 통해 재투영 오차를 계산한 결과 오차는 1.104픽셀로 나타났다. 동일 영상에서 두 직선과 세 점을 이용한 경우 와 세 직선과 두 점을 이용한 경우의 실험 결과를 비교한 결과 세 직선을 이용한 경우 비교적 높은 정확도를 나타내었다. 또한, 기울기가 큰 영상에서 네 직선을 이용하여 외부표정요소를 결정할 수 있으나 재투영오차를 분석한 결과 정확도는 높지 않은 것으로 나타났다.

지상기준점 측량은 사진측량에서 가장 노동집약적이고 많은 시간을 소모하며, 작업자의 숙련도에 따라 성과물의 품질이 저하될 수 있다. 본 연구에서는 지상기준점 타겟이 촬영된 드론 영상을 딥러닝 모델에 적용하여 자동으로 영상에서 타겟을 탐지한 후 타겟의 중심점을 높은 정확도로 결정하는 방법을 제안하였다. 지상기준점이 촬영된 타겟의 영역은 객체 탐지 모델인 YOLO V8을 이용하여 결정하였으며, 탐지된 타겟 영역을 회색조 영상으로 변환한 후 잡영을 제거하기 위해 히스토그램 평활화와 가우시안 필터를 적용하였다. 그리고 나서, 잡영이 제거된 영상을 이용하여 직선의 교차점을 찾기 위한 최소제곱법을 수행하여 타겟의 중심점 위치를 결정하였다. 제안한 알고리즘의 검증을 위해서 지상에 검정색, 파란색, 빨간색, 보라색의 4가지 색상의 기준점 타겟을 배치하여 학습을 수행하였으며, 지상기준점 타겟의 탐지 결과는 약 94.3%로 나타났다. 또한 탐지된 타겟의 중심점을 제안한 방법으로 자동으로 결정한 것과 수작업으로 타겟의 중심점 위치를 관측한 값과의 평균제곱근오차를 계산한 결과 위치 오차는 0.65화소로 나타나 높은 정확도로 타겟의 중심점 위치를 결정할 수 있었다.

담수 자원은 대한민국과 같은 어떤 국가에도 매우 소중하며 필수적이다. 최근 심층학습(DL)과 AI 모델은 수문 표면수 연구에서 점차 더 대중화되고 자주 적용되고 있다. 분할을 위한 범용 모델(Segment Anything Model, SAM)은 빠르게 발전해 왔으며, 제로샷 추론을 수행할 수 있는 적응형 접근법을 취한다. 그러나 사전학습된 SAM은 수백만 장의 이미지(10억 개 마스크)로 학습되었음에도 불구하고, 원격탐사 데이터에 적용하면 특히 합성개구레이더(Synthetic-aperture Radar, SAR) 이미지에서와 같이 더 복잡하고 잡음이 많은 데이터에 대해 부정확한 결과와 라벨이 없는 클래스에 한계가 드러난다. 따라서 본 연구에서는 SAM 모델과 더불어 널리 사용되는 CNN 모델인 YOLOv8, U-net(ResNet50), DeepLab(ResNet50, EfficientNet)을 한국의 대표 호수에 대한 의미 분할을 위해 미세조정하였다. 미세조정은 Kompsat-5, ALOS-2, Sentinel-1의 다중 SAR RS 데이터셋과 세 데이터셋의 조합(data link)을 사용하여, 모델 결과를 비교하였다. 정확도 평가는 SAM이 가장 정밀한 모델임을 보였으며(전체 정확도 $\approx 0.95$ ), 그다음으로 DeepLab(ResNet50), YOLOv8, U-net(ResNet50), 그리고 DeepLab(EfficientNet) 모델이 뒤를 이었다. 거의 모든 모델이 정답 마스크와 잘 부합하면서 호수 영역을 높은 정확도로 분할하였지만, SAM(code link)은 가장 우수한 성능을 보이는 모델로 나타났다. YOLO는 대규모 데이터셋에 대해 잘 대응하며, 더 높은 정확도 출력치를 얻기 위해 더 깊은 학습이 필요하다. 또한 본 연구는 각 DL 모델이 SAR 데이터셋에 대해 보이는 반응을 조사함으로써, 더 나은 호수 분할을 위해 SAR RS에서 모델 결과의 미세조정이 필요함을 입증하였다.