건물 객체의 의미 분할을 위한 학습데이터 구축 및 성능 분석
Training Dataset Generation and Performance Analysis for Semantic Segmentation of Building Objects
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
최근 도심 상공의 차세대 이동 수단으로 드론이 부상함에 따라 UAM(Urban Air Mobility) 및 AAM(Advanced Air Mobility) 기술의 상용화를 위한 다양한 기술이 개발되고 있으며, AAM 기체의 안전한 운용을 위한 실시간 항법/측위 기술도 핵심기술의 하나로 개발되고 있다. 특히, GNSS (Global Navigation Satellite System) 불능지역인 도심지 내에서 AAM 기체의 실시간 항법/측위를 위하여 AAM에서 촬영되는 항공사진과 기구축 고정밀 공간정보를 특징점 중심으로 매칭시켜 AAM 기체의 상대 위치를 정확하게 추정하기 위한 연구가 다양하게 진행되고 있다. 이에 본 연구에서는 이러한 AAM 항공사진과 고정밀 공간정보와의 특징점 기반 매칭 과정에서 요구되는 건물 객체의 특징점 추출을 위하여 항공/위성사진, 실세계 데이터 및 가상 데이터를 융합한 다양한 학습데이터 생성 방법을 제시하고, 이들 학습데이터를 활용한 성능분석 결과를 제시한다. 끝으로, AI-Hub 토지피복도와 같이 국내 실세계 항공사진을 가공하여 생성된 학습데이터와 테스트 데이터를 이용하였을 때, YOLOv8s-seg와 YOLOv11s-seg 기반 semantic segmentation의 F1-score가 0.7 이상으로 제안된 학습데이터가 건물 객체 추출에 효과적으로 활용 가능함을 알 수 있었다.
Abstract
With the recent emergence of drones as a next-generation transportation in urban areas, various technologies are being developed for the commercialization of UAM(Urban Air Mobility) and AAM(Advanced Air Mobility), and real-time navigation and positioning technologies are being developed as key technologies for the safe operation of AAM drones. In particular, diverse research is being conducted to accurately estimate the relative position of AAM drones by matching aerial images taken by AAM with high-precision spatial data based on feature points, enabling real-time navigation and positioning of AAM drones in urban areas where GNSS(Global Navigation Satellite System) is unavailable. This study proposes a variety of training data generation methods that integrate aerial/satellite images, real-world images, and virtual images to efficiently extract building objects as feature points required for the matching process between AAM aerial images and high-precision geospatial data. We then present performance analysis results using our training data. Finally, when using training and evaluation data generated by processing domestic real-world aerial photographs, such as the AI-Hub land cover map, we found that YOLOv8s-seg and YOLOv11s-seg-based semantic segmentation achieved F1-scores above 0.7, demonstrating the effectiveness of our training data in extracting building objects.