• 대한원격탐사학회지
• /
• 제39권5_3호
• /
• pp.979-995
• /
• 2023

산불은 예측이 어려운 재해이기 때문에 실시간 모니터링을 통해 빠르게 대응하는 것이 중요하며, 정지 궤도 위성 영상은 광역을 짧은 시간 간격으로 모니터링할 수 있어 산불 탐지 분야에 활발히 이용되고 있다. 기존의 위성 영상 기반 산불 탐지 알고리즘은 밝기 온도의 통계량 분석을 통한 임계값 기반으로 이상치를 탐지하는 방향으로 진행되어 왔다. 그러나 강도가 약한 산불을 탐지하기 어렵거나, 적절한 임계값 설정의 어려움으로 일반화 성능이 저하되는 한계점이 있어 최근에는 기계학습을 이용한 산불 탐지 알고리즘들이 제시되고 있다. 현재까지는 random forest, VanillaConvolutional neural network (CNN), U-net 구조 등의 비교적 간단한 기법이 적용되고 있다. 따라서, 본 연구에서는 정지궤도 위성인 Advanced Himawari Imager를 이용하여 동아시아와 호주를 대상으로 State of the Art (SOTA)딥러닝 기법을 적용한 산불 탐지 알고리즘을 개발하고자 하였다. SOTA 모델은 EfficientNet과 lion optimizer를 적용하여 개발하고, Vanilla CNN 구조를 사용한 모델과 산불 탐지 결과를 비교하였다. EfficientNet은 동아시아와 호주에서 0.88 및 0.83의 F1-score를 기록함으로써 CNN (동아시아: 0.83, 호주: 0.78)에 비해 뛰어난 성능을 입증하였다. EfficientNet에 불균형 문제 해결을 위한 weighted loss, equal sampling, image augmentation 기법 적용 시, 동아시아와 호주에서 각각 0.92와 0.84의 F1-score를 기록함으로써 적용 전(동아시아: 0.88, 호주: 0.83)에 비하여 성능이 향상되었음을 확인하였다. 본 연구를 통하여 제시된 SOTA 딥러닝 기법의 산불 탐지에의 적용 가능성과 딥러닝 모델의 성능 향상을 위해 고려해야 할 방향은 향후 산불탐지 분야에 대한 딥러닝 적용에 도움이 될 것으로 기대된다.

• 방송공학회논문지
• /
• 제22권4호
• /
• pp.496-508
• /
• 2017

본 논문은 전역적 대비를 보존하는 동시에 경계 정보를 정확히 보존할 수 있는 혼합 톤 매핑 기법 (Tone Mapping Operator: TMO)을 제안한다. 우선, 넓은 동적 영역 (High Dynamic Rangae: HDR) 영상을 낮은 동적 영역 (Low Dynamic Range: LDR) 디스플레이에 적합하게 압축하기 위해 인간의 시각 시스템 (Human Visual System: HVS)에 기반한 임계 값 대 밝기 값 (Threshold vs. Intensity: TVI) 함수와 영상의 대비를 사용하였으며 이에 따라 영상의 전역적인 대비를 보존할 수 있었다. 또한, 가이디드 영상 필터링 (Guided Image Filtering: GIF)을 이용하여 검출된 경계 정보와 변화감지역 (Just Noticeable Difference: JND) 모델의 공간적 마스킹을 이용하여 검출된 경계 정보를 결합함으로써 영상의 경계를 보존하고 출력 영상의 인지적 화질을 향상시켰다. 기존에 TMO들은 크게 전역적 톤 매핑 (Global Tone Mapping: GTM)과 지역적 톤 매핑 (Local Tone Mapping: LTM)으로 분류되었다. GTM은 전역적인 대비를 보존하며 구현이 단순해 실행시간이 빠르다는 장점이 있지만 영상의 경계 정보가 손실되며 지역적 대비를 보존하지 못하는 단점이 있었다. 반면 LTM은 영상의 지역적 대비와 경계 정보를 잘 보존하였지만 경계 영역에서의 헤일로 열화 현상의 발생과 같이 일부 영역이 부자연스럽게 표현되는 경우가 발생하였으며 GTM과 비교하여 높은 계산 복잡도를 가졌다. 따라서 본 논문에서는 GTM과 LTM의 장점을 결합하여 전역적인 대비를 보존하는 동시에 영상의 경계 정보를 보존하는 TMO를 제안하였으며 실험결과를 통해 제안하는 톤 매핑 기법이 인지적 화질 측면에서 성능이 우수한 것으로 확인되었다.