http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
영상 기반 Semantic Segmentation 알고리즘을 이용한 도로 추출
오행열,전승배,김건,정명훈 한국측량학회 2022 한국측량학회지 Vol.40 No.3
Cities are becoming more complex due to rapid industrialization and population growth in modern times. In particular, urban areas are rapidly changing due to housing site development, reconstruction, and demolition. Thus accurate road information is necessary for various purposes, such as High Definition Map for autonomous car driving. In the case of the Republic of Korea, accurate spatial information can be generated by making a map through the existing map production process. However, targeting a large area is limited due to time and money. Road, one of the map elements, is a hub and essential means of transportation that provides many different resources for human civilization. Therefore, it is essential to update road information accurately and quickly. This study uses Semantic Segmentation algorithms Such as LinkNet, D-LinkNet, and NL-LinkNet to extract roads from drone images and then apply hyperparameter optimization to models with the highest performance. As a result, the LinkNet model using pre-trained ResNet-34 as the encoder achieved 85.125 mIoU. Subsequent studies should focus on comparing the results of this study with those of studies using state-of-the-art object detection algorithms or semi-supervised learning-based Semantic Segmentation techniques. The results of this study can be applied to improve the speed of the existing map update process. 현대에는 급속한 산업화와 인구 증가로 인해 도시들이 더욱 복잡해지고 있다. 특히 도심은 택지개발, 재건축, 철거 등으로 인해 빠르게 변화하는 지역에 해당한다. 따라서 자율주행에 필요한 정밀도로지도와 같은 다양한 목적을 위해 빠른 정보 갱신이 필요하다. 우리나라의 경우 기존 지도 제작 과정을 통해 지도를 제작하면 정확한 공간정보를 생성할 수 있으나 대상 지역이 넓은 경우 시간과 비용이 많이 든다는 한계가 있다. 지도 요소 중 하나인 도로는 인류 문명을 위한 많은 다양한 자원을 제공하는 중추이자 필수적인 수단에 해당한다. 따라서 도로 정보를 정확하고 신속하게 갱신하는 것이 중요하다. 이 목표를 달성하기 위해 본 연구는 Semantic Segmentation 알고리즘인 LinkNet, D-LinkNet 및 NL-LinkNet을 사용하여 광주광역시 도시철도 2호선 공사 현장을 촬영한 드론 정사영상에서 도로를 추출한 다음 성능이 가장 높은 모델에 하이퍼 파라미터 최적화를 적용하였다. 그 결과, 사전 훈련된 ResNet-34를 Encoder로 사용한 LinkNet 모델이 85.125 mIoU를 달성했다. 향후 연구 방향으로 최신 Semantic Segmentation 알고리즘 또는 준지도 학습 기반 Semantic Segmentation 기법을 사용하는 연구의 결과와의 비교 분석이 수행될 것이다. 본 연구의 결과는 기존 지도 갱신 프로세스의 속도를 개선하는 데 도움을 줄 수 있을 것으로 예상된다.
전승배(Jeon, Seung Bae),오행열(Oh, Haeng Yeol),정명훈(Jeong, Myeong Hun) 대한공간정보학회 2020 대한공간정보학회지 Vol.28 No.4
수질평가지수(water quality index, WQI)는 식수와 해수의 질을 결정한다. 현재 대한민국은 WQI값을 기준으로 연안 및 해수 품질을 5등급으로 분류하여 모니터링 및 관리하고 있다. 해양환경공단(korea marine environment management, KOEM)은 해양수질자동측정망을 활용해 연안환경의 데이터를 수집하고 있다. 하지만, 이러한 데이터에는 WQI를 계산하기 위한 변수 중 일부분을 포함하지 않고 있다. 때문에 KOEM은 매년 4회 수동으로 WQI를 평가한다. 본 연구는 해양수질자동측정망으로 측정한 데이터에 근거하여 기계 학습(machine learning, ML)을 통해 WQI를 기반으로 한 수질 등급을 추정한다. 실험 결과 랜덤 포레스트(random forest, RF)와 서포트 벡터 머신(support vector machine, SVM) 알고리즘이 다른 알고리즘들보다 성능이 우수하였다. 본 연구의 결과는 수동으로 WQI를 평가하여 수질 등급을 결정하는 방식에서 자동으로 결정할 수 있는 방법을 제공하며, 이는 실시간으로 수질 상태를 모니터링하는 데 적용될 수 있다. The water quality index(WQI) determines the quality of drinking water and seawater. Currently, the Republic of Korea classifies coastal and seawater quality into five grades based on WQI values and monitors and manages them. The Korea marine environment management(KOEM) collects data on the coastal environment using an automatic environmental sensor network. However, this data does not include some of the variables for calculating WQI. Therefore, KOEM manually evaluates WQI four times a year. This study estimates the water quality level using machine learning(ML), based on the automatic environmental sensor network’s data. The experiments demonstrated that the random forest(RF) and support vector machine(SVM) models outperform other models. The proposed method enables to automatically determine the water quality level, which can be applied to monitor the water quality level real-time.