• 지능정보연구
• /
• 제15권3호
• /
• pp.151-165
• /
• 2009

퍼지신경망 모형은 인공신경망의 네트워크 구조 표현방법 및 학습알고리듬과 퍼지시스템의 추론방법을 통합한 모형으로 제어 및 예측분야에 성공적으로 적용되고 있다. 본 연구에서는 퍼지신경망 모형 중 우수한 예측정확도로 인해 최근 각광받고 있는ANFIS (Adaptive Network-based Fuzzy Inference System)모형을 기반으로 하는 분류모형을 설계하고 기존의 분류기법(C5.0 의사결정나무)과 비교하여 분류 정확성 관점에서 평가한다. ANFIS 추론의 경우, 최종 결과값이 계급값이 아닌 연속형 변수값을 취하게 되므로 산출된 결과값을 이용하여 적절한 계급값을 할당하는 과정이 필요하다. 본 연구에서는 의사결정나무기법을 이용하여 계급값을 할당하는 방식과 군집분석을 이용하여 계급값을 할당하는 두 가지 방식을 제안하고 두 가지 데이터 세트에 적용하여 ANFIS를 기반으로 한 분류모형의 정확도를 평가하였다.

• 대한원격탐사학회지
• /
• 제38권6_4호
• /
• pp.1945-1953
• /
• 2022

한국항공우주연구원에서는 위성영상의 활용 증진과 활용 활성화를 위하여 매년 한반도 모자이크 영상을 제작하여 공공분야 사용자에게 제공하고 있다. 그러나 해당 영상은 모자이크 과정에서 영상 융합 및 컬러 밸런싱의 과정을 거치기 때문에 본래의 분광 정보가 왜곡되어 있다. 또한 모자이크 영상은 Near Infrared (NIR) 밴드를 제외한 Red, Green, Blue 밴드만 제공하고 있기 때문에 해당 모자이크 영상을 활용하여 영상을 분석하는 데 한계가 존재한다. 따라서 이러한 한계점을 보완하고자 본 연구에서는 주성분분석(Principal Component Analysis, PCA) 기법과 R, G, B 밴드를 활용한 지수를 추출하여 영상 분류를 수행하고, 그 결과를 비교해 보았다. 분석 결과, 모자이크 영상의 분류 결과 정확도는 약 67.51%인 반면, PCA 기법과 RGB 지수를 모두 함께 활용한 영상 분류 결과의 정확도는 약 75.86%로 나타나 PCA와 RGB 지수를 함께 활용하면 영상 분류 결과의 정확도를 향상시킬 수 있는 것을 확인하였다. PCA 기법과 RGB 지수 활용 기법을 비교한 결과, PCA 기법만 활용하였을 때의 영상 분류 결과 정확도는 약 64.10%로 나타났으며, RGB 지수만 활용했을 때의 영상 분류 결과 정확도는 약 74.05%로 나타났다. 이를 통해 두 기법 중에서는 RGB 지수를 활용한 분류 정확도가 더 높게 나타나는 것을 확인할 수 있었으며, 양질의 보조 정보를 활용하는 것이 중요하다는 시사점을 도출할 수 있었다. 추후 모자이크 영상의 분류 및 분석결과를 향상시키기 위한 추가적인 지수 및 기법 개발이 필요할 것으로 생각되며, 관련 연구를 통해 모자이크 영상 및 제한된 분광 정보만을 제공하는 영상의 활용도를 높일 수 있을 것으로 기대된다.

• 한국측량학회지
• /
• 제30권4호
• /
• pp.397-404
• /
• 2012

농업과 관광이 주요 산업인 제주지역은 소득 증대를 위해 노지재배에서 시설재배로의 전환이 활발하게 진행되고 있으므로 하우스재배지에 대한 지속적인 현황 파악이 필요하다. 이에 본 연구에서는 고해상도 위성영상을 이용하여 하우스재배지 탐지를 위한 효과적인 영상분류 방법을 제시하고자 하였다. Formosat-2 위성영상을 대상으로 감독분류와 규칙기반분류 방법을 적용하여 하우스재배지를 분류하였으며, 두 가지 결과를 연계하여 하우스재배지 탐지를 위한 정확도 향상 방안을 모색하였다. 각 분류 방법별 결과는 육안 탐지 결과와의 비교를 통해 정확도를 산출하였다. 연구 결과, 감독분류 방법 중 마하라노비스 거리법이 가장 높은 탐지 결과를 얻을 수 있었으며 감독분류 결과와 규칙기반분류 결과의 연계 시 탐지 정확도가 향상됨을 확인하였다. 향후 감독분류 결과와 규칙기반분류 결과의 연계 과정에 대한 추가적인 연구가 이루어진다면 하우스재배지의 효율적인 탐지가 가능할 것으로 기대된다.

• Spatial Information Research
• /
• 제11권2호
• /
• pp.101-117
• /
• 2003

고해상도 위성영상분석은 국지적 규모의 토지피복 변화 및 대기 상태의 모니터링을 위한 효과적인 기술로 인식되어 왔다. 본 연구에서는 고해상도 영상인 IKONOS 영상과 기존에 작성된 토지이용도를 이용하여 국지적 규모의 토지피복도를 새로 작성하였다. 토지피복 분류기법으로는 퍼지분류 기법을 사용하였으며, 소속함수의 결합방법으로 minimum 연산자를 이용하였다. 분리도 분석에서는 모든 밴드에서 분리도가 높지 않은데, 원인은 계절적 영향에 따른 분광반사율의 차이 때문이다. 토지피복도 작성결과 육상에서는 침엽수림과 경지가, 해양에서는 간석지 및 해빈의 변화가 가장 크다. 분류의 전체정확도는 95.0%, kappa 계수는 0.94%로 나타나 높은 분류정확도를 보였다. 분류항목별 정확도에서는 대부분의 분류항목이 90% 이상의 분류정확도를 보였다. 그러나 혼합림과 하천 및 저수지 등은 낮은 분류정확도를 보였다. 이들 원인은 농경지 담수로 인하여 수역으로 분류항목이 변하거나 유사한 분광패턴으로 분류항목이 혼재된 결과이다. 이들 분류항목의 분류정확도를 높이기 위해서는 계절적 요인을 반드시 고려하여야 할 것이다. 결론적으로 IKONOS 영상은 토지이용도 작성 및 수정이 가능하며, 추후 GIS 공간자료와 통합하여 토지피복도를 작성한다면 보다 정확한 의사결정 보조 자료로서 유용하게 활용될 수 있을 것이다.

• 한국농공학회논문집
• /
• 제49권5호
• /
• pp.67-77
• /
• 2007

The images of MODerate resolution Imaging Spectroradiometer (MODIS) that provide wider swath and shorter revisit frequency than Land Satellite (Landsat) and Satellite Pour I' Observation de la Terre (SPOT) has been used fer land cover classification with better spatial resolution than National Oceanic and Atmosphere Administration/Advanced Very High Resolution Radiometer (NOAA/AVHRR)'s images. Due to the advantages of MODIS, several researches have conducted, however the results for the land cover classification using MODIS images have less accuracy of classification in small areas because of low spatial resolution. In this study, uncertainty of paddy fields classification using MODIS images was conducted in the region of Gyeonggi-do and the relation between this uncertainty of estimating paddy fields and topographical factors was also explained. The accuracy of classified paddy fields was compared with the land cover map of Environmental Geographic Information System (EGIS) in 2001 classified using Landsat images. Uncertainty of paddy fields classification was analyzed about the elevation and slope from the 30m resolution Digital Elevation Model (DEM) provided in EGIS. As a result of paddy classification, user's accuracy was about 41.5% and producer's accuracy was 57.6%. About 59% extracted paddy fields represented over 50 uncertainty in one hundred scale and about 18% extracted paddy fields showed 100 uncertainty. It is considered that several land covers mixed in a MODIS pixel influenced on extracted results and most classified paddy fields were distributed through elevation I, II and slope A region.

• 한국IT서비스학회지
• /
• 제16권3호
• /
• pp.167-183
• /
• 2017

The rapid growth of information technology and mobile service platforms, i.e., internet, google, and facebook, etc. has led the abundance of data. Due to this environment, the world is now facing a revolution in the process that data is searched, collected, stored, and shared. Abundance of data gives us several opportunities to knowledge discovery and data mining techniques. In recent years, data mining methods as a solution to discovery and extraction of available knowledge in database has been more popular in e-commerce service fields such as, in particular, movie recommendation. However, most of the classification approaches for predicting the movie popularity have used only several types of information of the movie such as actor, director, rating score, language and countries etc. In this study, we propose a classification-based support vector machine (SVM) model for predicting the movie popularity based on movie's genre data and social network data. Social network analysis (SNA) is used for improving the classification accuracy. This study builds the movies' network (one mode network) based on initial data which is a two mode network as user-to-movie network. For the proposed method we computed degree centrality, betweenness centrality, closeness centrality, and eigenvector centrality as centrality measures in movie's network. Those four centrality values and movies' genre data were used to classify the movie popularity in this study. The logistic regression, neural network, $na{\ddot{i}}ve$ Bayes classifier, and decision tree as benchmarking models for movie popularity classification were also used for comparison with the performance of our proposed model. To assess the classifier's performance accuracy this study used MovieLens data as an open database. Our empirical results indicate that our proposed model with movie's genre and centrality data has by approximately 0% higher accuracy than other classification models with only movie's genre data. The implications of our results show that our proposed model can be used for improving movie popularity classification accuracy.

• 한국측량학회지
• /
• 제24권1호
• /
• pp.139-145
• /
• 2006

라이다 데이터는 데이터 취득시간과 처리시간이 짧으며 높은 점밀도와 정확도를 가지고 있다. 그러나 광학영상과는 달리 3차원 형태의 비정규 점군의 형태이기 때문에 지표면에 대한 정확한 분류가 어렵다. 본 연구에서는 라이다 데이터와 광학영상을 동시에 이용해서 감독분류 기법을 통해 토지피복분류를 수행하였다. 먼저 라이다 데이터로부터 격자 크기가 1m인 DSM 영상과 DEM 영상을 제작하고 이를 이용하여 nDSM 영상을 제작하였다. 또한 라이다 데이터의 인텐서티(intensity) 정보를 이용해서 인텐서티 영상을 제작하였다. 광학영상의 입력데이터는 CCD 영상의 적색, 청색, 녹색 파장영역과 IKONOS 영상의 근적외선 파장영역이다. 그리고 CCD 영상의 적생광 파장영역을 이용해서 제작한 식생지수 영상이다. 광학영상과 라이다 데이터를 동시에 이용해서 토지피복 분류를 수행한 결과 74%의 분류 정확도를 얻을 수 있었다. 추가적으로 그림자 지역의 재분류, 수계지역의 처리 그리고 숲과 건물의 오분류 수정 과정을 수행하여 최종적으로 81.8%의 분류 정확도를 얻을 수 있었다.

• 농촌계획
• /
• 제28권1호
• /
• pp.57-69
• /
• 2022

Crop classification is very important for estimating crop yield and figuring out accurate cultivation area. The purpose of this study is to classify crops harvested in fall in Idam-ri, Goesan-gun, Chungcheongbuk-do by using unmanned aerial vehicle (UAV) images and support vector machine (SVM) model. The study proceeded in the order of image acquisition, variable extraction, model building, and evaluation. First, RGB and multispectral image were acquired on September 13, 2021. Independent variables which were applied to Farm-Map, consisted gray level co-occurrence matrix (GLCM)-based texture characteristics by using RGB images, and multispectral reflectance data. The crop classification model was built using texture characteristics and reflectance data, and finally, accuracy evaluation was performed using the error matrix. As a result of the study, the classification model consisted of four types to compare the classification accuracy according to the combination of independent variables. The result of four types of model analysis, recursive feature elimination (RFE) model showed the highest accuracy with an overall accuracy (OA) of 88.64%, Kappa coefficient of 0.84. UAV-based RGB and multispectral images effectively classified cabbage, rice and soybean when the SVM model was applied. The results of this study provided capacity usefully in classifying crops using single-period images. These technologies are expected to improve the accuracy and efficiency of crop cultivation area surveys by supplementing additional data learning, and to provide basic data for estimating crop yields.

• 한국군사과학기술학회지
• /
• 제13권1호
• /
• pp.147-155
• /
• 2010

Landcover information of access-denied area was extracted from low-medium and high resolution satellite image. Training for supervised classification was performed to refer visually by landcover map which is made and distributed from The Ministry of Environment. The classification result was compared by relating data of FACC land classification system. As we rasterize digital military map with same pixel size of satellite classification, the accuracy test was performed by image to image method. In vegetation case, ancillary data such as NDVI and image for seasons are going to improve accuracy. FACC code of FDB need to recognize the properties which can be automated.

• 한국멀티미디어학회논문지
• /
• 제25권1호
• /
• pp.29-38
• /
• 2022

Although image compression is one of the essential technologies to transmit image data on a variety of surveillance and mobile healthcare applications, it causes unnecessary compression artifacts such as blocking and ringing artifacts by the lossy compression in the limited network bandwidth. Recently, image restoration methods using convolutional neural network (CNN) show the significant improvement of image quality from the compressed images. In this paper, we propose Image Denoising Convolutional Neural Networks (IDCNN) to reduce the compression artifacts for the purpose of improving the performance of object classification. In order to evaluate the classification accuracy, we used the ImageNet test dataset consisting of 50,000 natural images and measured the classification performance in terms of Top-1 and Top-5 accuracy. Experimental results show that the proposed IDCNN can improve Top-1 and Top-5 accuracy as high as 2.46% and 2.42%, respectively.