농업지 모니터링을 위한 2단계 U-Net 기반이진분할 정확도 향상 방법
Improving Binary Segmentation Accuracy for Agricultural Land Monitoring through Two-Stage U-Net Training
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
: 이진 분할(binary segmentation)은 특히 작은 대상 영역을 놓치면 신뢰성을 크게 훼손할 수 있는 응용 분야에서 거짓 음성(False Negatives, FNs) 문제를 지속적으로 겪고 있다. 특히 희소한 토지 피복을 탐지하는 작업에서는 FN이 실제 대상을 모델이 검출하지 못한 것으로, 모델 성능의 신뢰성을 저해하는 핵심적인 요소로 간주된다. 이에 본 연구에서는 1단계 학습(Stage 1)에서 예측된 FP 및 FN 영역을 자동으로 축적하고, 이를 보조 감독신호(auxiliary supervisory signals)로 활용하는 두 번째 출력 헤드를 통해 2단계 학습(Stage 2)에서 재학습하도록하는 2단계 U-Net 학습 전략을 제안한다. 이 접근법은 모델 구조를 변경하지 않고도 불확실하거나 모호한 영역에 대한 학습 반영을 강화할 수 있다는 점에서 실용적이다. 제안된 방법은 대한민국의 고해상도 항공영상을 활용한 희소 분포 삼계(인삼) 재배지 탐지에 적용되었으며, FN을 감소시키고 FP의 소폭 증가를 허용하는 대신 평균 교차합집합(Intersection over Union, IoU)을 약 0.10 개선하는 결과를 보였다. 본 전략은 학습 방식만을 수정하는 방법으로, 다양한 U-Net 변형 모델과 호환 가능하며 FN 억제와 예측 안정성이 중요한 다른 도메인에도 일반화할 수 있다. 이러한 결과는 누적된 오차 영역으로부터의 학습이 복잡한 실제 환경에서 보다 신뢰할 수 있는분할 성능을 달성하는 효율적이고 실용적인 경로가 될 수 있음을 보여준다.
Abstract
Binary segmentation faces persistent challenges from false negatives (FNs), particularly inapplications where missing small target regions can undermine reliability. FNs are critical in sparseland-cover mapping tasks because they represent true targets that models fail to detect. Here, wepropose a two-stage U-Net training strategy that automatically accumulates FP and FN regions fromStage 1 predictions and reuses them as auxiliary supervisory signals through a second output headduring Stage 2 learning. This enhances the model’s ability to revisit uncertain or ambiguous areas without any architectural modification. The method was applied to mapping sparsely distributedginseng fields from high-resolution aerial imagery from South Korea. The approach substantiallyreduced FNs, tolerated a modest increase in FPs, and improved Intersection over Union (IoU) byapproximately 0.10 across various training conditions. Because the strategy only modifies the trainingscheme and not the model architecture, it is compatible with U-Net variants and generalizable to otherdomains where FN suppression and stability are essential. The findings demonstrate that learningfrom accumulated error regions offers an efficient and practical pathway toward more reliablesegmentation in complex real world environments.