18일 전

DeepMAO: 위성 영상에서 건물 세그멘테이션을 위한 딥 다중 스케일 인지 과잉 완전 네트워크

{Suresh Sundaram, Prajwal Gurunath, Sumanth Udupa, Aniruddh Sikdar}
DeepMAO: 위성 영상에서 건물 세그멘테이션을 위한 딥 다중 스케일 인지 과잉 완전 네트워크
초록

대규모 항공 영상에서의 건물 세그멘테이션은 특히 밀집하고 혼잡한 도시 환경에서 소형 건물의 경우 매우 도전적인 과제이다. 기하학적 면적의 다양성이 매우 높은 복잡한 건물 구조는 위성 영상에서의 건물 세그멘테이션 작업에 추가적인 난이도를 가한다. 본 연구에서는 전자광학(Electro-Optical, EO) 및 SAR 위성 영상에서 소형이면서 형상이 복잡한 건물을 탐지하고 세그멘테이션하는 문제를 해결하기 위해 새로운 접근 방식을 제안한다. 제안된 새로운 아키텍처인 Deep Multi-scale Aware Overcomplete Network(DepthMAO)는 세부 구조적 특징에 집중하는 과잉 구조(overcomplete) 브랜치와 거시적이고 의미 정보가 �-rich한 특징에 집중하는 미완전 구조(U-Net) 브랜치로 구성된다. 또한, 오분류된 픽셀의 픽셀 표현력을 향상시키기 위해 새로운 자기 조절형 증강 전략인 "Loss-Mix"를 제안한다. DeepMAO는 소형 및 기하학적으로 복잡한 건물을 정확히 식별하는 데 있어 간단하고 효율적이다. SpaceNet 6 데이터셋(EO 및 SAR 모달리티 모두)과 INRIA 데이터셋에서의 실험 결과를 통해 DeepMAO는 파라미터 수의 거의 증가 없이 최신 기술 수준의 건물 세그멘테이션 성능을 달성하였으며, 소형 및 복잡한 형상을 가진 건물에 대해서도 뛰어난 성능을 보였다. 더불어, DeepMAO에 포함된 과잉 구조 브랜치는 SAR 영상 모달리티에 존재하는 스펙클 노이즈를 효과적으로 처리하는 데 기여한다.