• 대한원격탐사학회지
• /
• 제37권6_3호
• /
• pp.2035-2046
• /
• 2021

빙하 이동속도는 빙하역학 연구에 가장 기초가 되는 관측치로 기후 변화에 따른 해수면 상승 등을 예측하는데 매우 중요한 지시자이다. 본 연구에서는 SAR 오프셋트래킹 기법을 통해 동남극 테라노바 만에 위치한 Campbell Glacier에 대한 2차원 이동속도를 관측하였다. 이를 위하여 연구지역에 대하여 2021년 7월 9일과 2021년 8월 6일에 촬영한 국내 KOMPSAT-5 SAR 위성영상을 획득하였다. 선행 연구를 통하여 제안한 다중변위커널을 활용한 오프셋트래킹 기법은 해상도와 정밀도를 모두 만족하는 최적의 결과를 얻는 기법이다. 하지만 커널 크기에 따라 오프셋트래킹을 반복하여 수행하기 때문에 매우 집약적인 연산 능력과 시간이 필요하게 된다. 따라서 본 연구에서는 전략적으로 coarse-to-fine SAR 오프셋트래킹 방법을 고안하였다. coarse-to-fine 오프셋트래킹을 통하여 일반적인 오프셋트래킹 결과보다 해상도는 유지되고 정밀도는 향상(특히, 비행방향으로 약 4배)된 결과를 획득할 수 있다. 이 기법을 활용하여 Campbell Glacier에 대한 2차원 이동속도 영상을 생성하였다. 2차원 이동속도 영상을 분석한 결과 Campbell Glacier의 지반선(grounding line)은 대략 위도 -74.56N 부근에 존재하는 것으로 관측할 수 있었다. 이 연구에서 분석된 Campbell Glacier Tongue의 흐름속도(185-237 m/yr)는 1988-1989년의 흐름속도(140-240 m/yr)에 비하여 증가하였다. 그리고 2010-2012년의 흐름속도(181-268 m/yr)에 비하여 지반선 부근에서 이동속도는 유사하였지만 Campbell Glacier Tongue의 끝부분에서의 이동속도는 감소한 것을 확인할 수 있었다. 하지만 이는 본 연구의 연구 결과는 28일 동안 발생한 빙하의 이동속도를 연간 속도로 환산한 것이기 때문에 발생하는 오차일 가능성이 있다. 향후 정확한 비교를 위해서는 시계열적으로 자료를 확장하여 연간 속도를 정확하게 계산하는 과정이 필요할 것이다. 이 연구를 통해 최초로 국내 X-밴드 SAR 위성인 KOMPSAT-5 위성 영상을 활용하여 빙하의 2차원 이동속도를 관측하였으며, KOMPSAT-5 영상의 coarse-to-fine SAR 오프셋트래킹 기법이 빙하의 2차원 이동속도 관측에 매우 유용함을 확인할 수 있었다.

• 지능정보연구
• /
• 제24권1호
• /
• pp.205-225
• /
• 2018

Convolutional Neural Network (ConvNet)은 시각적 특징의 계층 구조를 분석하고 학습할 수 있는 대표적인 심층 신경망이다. 첫 번째 신경망 모델인 Neocognitron은 80 년대에 처음 소개되었다. 당시 신경망은 대규모 데이터 집합과 계산 능력이 부족하여 학계와 산업계에서 널리 사용되지 않았다. 그러나 2012년 Krizhevsky는 ImageNet ILSVRC (Large Scale Visual Recognition Challenge) 에서 심층 신경망을 사용하여 시각적 인식 문제를 획기적으로 해결하였고 그로 인해 신경망에 대한 사람들의 관심을 다시 불러 일으켰다. 이미지넷 첼린지에서 제공하는 다양한 이미지 데이터와 병렬 컴퓨팅 하드웨어 (GPU)의 발전이 Krizhevsky의 승리의 주요 요인이었다. 그러므로 최근의 딥 컨볼루션 신경망의 성공을 병렬계산을 위한 GPU의 출현과 더불어 ImageNet과 같은 대규모 이미지 데이터의 가용성으로 정의 할 수 있다. 그러나 이러한 요소는 많은 도메인에서 병목 현상이 될 수 있다. 대부분의 도메인에서 ConvNet을 교육하기 위해 대규모 데이터를 수집하려면 많은 노력이 필요하다. 대규모 데이터를 보유하고 있어도 처음부터 ConvNet을 교육하려면 많은 자원과 시간이 소요된다. 이와 같은 문제점은 전이 학습을 사용하면 해결할 수 있다. 전이 학습은 지식을 원본 도메인에서 새 도메인으로 전이하는 방법이다. 전이학습에는 주요한 두 가지 케이스가 있다. 첫 번째는 고정된 특징점 추출기로서의 ConvNet이고, 두번째는 새 데이터에서 ConvNet을 fine-tuning 하는 것이다. 첫 번째 경우, 사전 훈련 된 ConvNet (예: ImageNet)을 사용하여 ConvNet을 통해 이미지의 피드포워드 활성화를 계산하고 특정 레이어에서 활성화 특징점을 추출한다. 두 번째 경우에는 새 데이터에서 ConvNet 분류기를 교체하고 재교육을 한 후에 사전 훈련된 네트워크의 가중치를 백프로퍼게이션으로 fine-tuning 한다. 이 논문에서는 고정된 특징점 추출기를 여러 개의 ConvNet 레이어를 사용하는 것에 중점을 두었다. 그러나 여러 ConvNet 레이어에서 직접 추출된 차원적 복잡성을 가진 특징점을 적용하는 것은 여전히 어려운 문제이다. 우리는 여러 ConvNet 레이어에서 추출한 특징점이 이미지의 다른 특성을 처리한다는 것을 발견했다. 즉, 여러 ConvNet 레이어의 최적의 조합을 찾으면 더 나은 특징점을 얻을 수 있다. 위의 발견을 토대로 이 논문에서는 단일 ConvNet 계층의 특징점 대신에 전이 학습을 위해 여러 ConvNet 계층의 특징점을 사용하도록 제안한다. 본 논문에서 제안하는 방법은 크게 세단계로 이루어져 있다. 먼저 이미지 데이터셋의 이미지를 ConvNet의 입력으로 넣으면 해당 이미지가 사전 훈련된 AlexNet으로 피드포워드 되고 3개의 fully-connected 레이어의 활성화 틀징점이 추출된다. 둘째, 3개의 ConvNet 레이어의 활성화 특징점을 연결하여 여러 개의 ConvNet 레이어의 특징점을 얻는다. 레이어의 활성화 특징점을 연결을 하는 이유는 더 많은 이미지 정보를 얻기 위해서이다. 동일한 이미지를 사용한 3개의 fully-connected 레이어의 특징점이 연결되면 결과 이미지의 특징점의 차원은 4096 + 4096 + 1000이 된다. 그러나 여러 ConvNet 레이어에서 추출 된 특징점은 동일한 ConvNet에서 추출되므로 특징점이 중복되거나 노이즈를 갖는다. 따라서 세 번째 단계로 PCA (Principal Component Analysis)를 사용하여 교육 단계 전에 주요 특징점을 선택한다. 뚜렷한 특징이 얻어지면, 분류기는 이미지를 보다 정확하게 분류 할 수 있고, 전이 학습의 성능을 향상시킬 수 있다. 제안된 방법을 평가하기 위해 특징점 선택 및 차원축소를 위해 PCA를 사용하여 여러 ConvNet 레이어의 특징점과 단일 ConvNet 레이어의 특징점을 비교하고 3개의 표준 데이터 (Caltech-256, VOC07 및 SUN397)로 실험을 수행했다. 실험결과 제안된 방법은 Caltech-256 데이터의 FC7 레이어로 73.9 %의 정확도를 얻었을 때와 비교하여 75.6 %의 정확도를 보였고 VOC07 데이터의 FC8 레이어로 얻은 69.2 %의 정확도와 비교하여 73.1 %의 정확도를 보였으며 SUN397 데이터의 FC7 레이어로 48.7%의 정확도를 얻었을 때와 비교하여 52.2%의 정확도를 보였다. 본 논문에 제안된 방법은 Caltech-256, VOC07 및 SUN397 데이터에서 각각 기존에 제안된 방법과 비교하여 2.8 %, 2.1 % 및 3.1 %의 성능 향상을 보였다.