포인트 클라우드에서 딥러닝을 이용한 객체 분류 및 변화 탐지
Object Classification and Change Detection in Point Clouds Using Deep Learning
2
조회
0
다운로드
5
인용
0
참고문헌
키워드
초록
머신러닝과 딥러닝 기술의 발달로 인하여 도시의 변화탐지에 이러한 기술을 적용하려는 관심과 시도가 증가하고 있다. 그러나 기존의 변화탐지와 공간정보 구축방법은 여전히 사람에 의해 수작업으로 수행되는 경우가 많아 비용과 시간이 많이 소요되고 있다. 또한 도시지역에서 건축물의 변화탐지를 효율적으로 수행하기 위해서는 많은 인원이 필요한 실정이다. 따라서, 본 연구에서는 포인트 클라우드에서 딥러닝 기술을 적용하여 공간정보 분야에서 활용도가 높은 도로, 건물, 식생의 객체를 분류하고 변화탐지를 수행할 수 있는 방법을 제안하였다. 실험 결과 약 92% 이상의 정확도로 도로, 건물, 식생을 분류하였으며 이를 통해 객체의 속성정보를 자동으로 구축할 수 있었다. 또한, 시계열 데이터가 구축된다면 제안한 방법론을 통해서 변화를 탐지할 수 있고 기 구축된 수치지도의 속성을 검수할수 있을 것으로 판단된다.
Abstract
With the development of machine learning and deep learning technologies, there has been increasing interest and attempt to apply these technologies to the detection of urban changes. However, the traditional methods of detecting changes and constructing spatial information are still often performed manually by humans, which is costly and time-consuming. Besides, a large number of people are needed to efficiently detect changes in buildings in urban areas. Therefore, in this study, a methodology that can detect changes by classifying road, building, and vegetation objects that are highly utilized in the geospatial information field was proposed by applying deep learning technology to point clouds. As a result of the experiment, roads, buildings, and vegetation were classified with an accuracy of 92% or more, and attributes information of the objects could be automatically constructed through this. In addition, if time-series data is constructed, it is thought that changes can be detected and attributes of existing digital maps can be inspected through the proposed methodology.
참고문헌 (27)
- 공간정보기반 융복합산업 발전 전략 마련 및 법제도 개선방안, "국토교통부", 공간정보산업진흥원, 1~179 (2017)
- 김혜진, "R-CNN 기법을 이용한 건물 벽 폐색영역 추출 적용 연구", 지적과 국토정보, 48(2), pp.213~225 (2018), 한국국토정보공사[DOI]
- 류서현, "정규화 및 항등사상이 활성함수 성능에 미치는 영향", 한국산학기술학회논문지, 18(10), pp.75~80 (2017), 한국산학기술학회[DOI]
- 박성현, "국가공간정보 정책변동에 관한 연구", 한국지적정보학회지, 18(1), pp.99~112 (2016), 한국지적정보학회
- GeoAI 기반의 토지이용변화 모니터링혁신과 활용방안, "서기환", 국토연구원, 1~6, pp.국토정책 Brief. 694 (2018)
- 서홍덕, "랜덤포레스트와 서포트벡터머신 기법을 적용한 포인트 클라우드와 실감정사영상을 이용한 객체분류", 한국측량학회지, 37(6), pp.405~416 (2019), 한국측량학회[DOI]
- 서홍덕, "쿼터니언과 프로크루스테스를 이용한 점대선기반 3차원 좌표변환", 제어.로봇.시스템학회 논문지, 26(10), pp.863~870 (2020), 제어·로봇·시스템학회[DOI]
- 양성철, "위치지능화를 통한 공공데이터의 활용성 향상에 관한 연구", 지적과 국토정보, 49(2), pp.93~107 (2019), 한국국토정보공사[DOI]
- 오이균, "공간정보를 활용한 산림 변화 시공간분석: 횡성과 원주를 사례로", 지적과 국토정보, 48(2), pp.21~30 (2018), 한국국토정보공사[DOI]
- 이대건, "딥러닝을 위한 영역기반 합성곱 신경망에 의한 항공영상에서 건물탐지 평가", 한국측량학회지, 36(6), pp.469~481 (2018), 한국측량학회[DOI]
- 조원호, "합성곱 신경망을 이용한 딥러닝 기반의 토지피복 분류: 한국 토지피복을 대상으로", 대한지리학회지, 54(1), pp.1~16 (2019), 대한지리학회
- 채병선, "개발제한구역 내 불법행위와 관리체계 실태 및 정책적 개선 대안", 국토연구, 84, pp.145~163 (2015), 국토연구원[DOI]
- (2020)[URL]
- 한승희, "사진측량및원격탐측개론", pp.348~350 (2016), 구미서관
- 홍송표, "머신러닝을 이용한 3차원 도로객체의 분류", 한국측량학회지, 36(6), pp.535~544 (2018), 한국측량학회[DOI]
- Agarap AF, "Deep learning using rectified linear units (relu)", arXiv preprint. arXiv:1803. 08375, ~ (2018)
- Ertuğrul ÖF, "A novel type of activation function in artificial neural networks: Trained activation function", Neural Networks, 99, pp.148~157 (2018)
- Jaderberg M, "Spatial transformer networks", Advances in Neural Information Processing Systems, pp.2017~2025 (2015)
- Liu Z, "Point-voxel CNN for efficient 3D deep learning", Advances in Neural Information Processing Systems, pp.965~975 (2019)
- Qi CR, "Pointnet:Deep learning on point sets for 3d classification and segmentation", Proceedings of the IEEE conference on computer vision and pattern recognition, pp.652~660 (2017)
- Choy CB, "3d-r2n2: A unified approach for single and multi-view 3d object reconstruction", European conference on computer vision, pp.628~644 (2016), Springer
- Riegler G, "Learning deep 3d representations at high resolutions", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, CVPR, pp.3577~3586 (2017)
- Fusiello A, "Procrustean point-line registration and the NPnP problem", 2015 International Conference on 3D Vision, pp.250~255 (2015)
- Habib A, "Quaternion-based solutions for the single photo resection problem", Photogrammetric Engineering & Remote Sensing, 81(3), pp.209~217 (2015)
- Vignesh T, "Change detection using deep learning and machine learning techniques for multispectral satellite images", International Journal of Innovative Technology and Exploring Engineering, 9(1S), pp.90~93 (2019)
- "Support vector machine" (2004)[URL]
- Zhang W, "An easy-to-use airborne LiDAR data filtering method based on cloth simulation", Remote Sensing, 8(6), pp.501~ (2016)