검색 상세

효율적인 자연재해 피해영역 검출을 위한 세그멘테이션 모델 개선 연구

Segmentation Model Improvement Study for Efficient Natural Disaster Damage Area Detection

  • 최다영 (CHOI DAYOUNG, 서강대학교 정보통신대학원)

초록

기후 변화의 영향으로 자연재해의 빈도와 그 피해 규모가 해마다 증가하고 있다. 자연재해로 인한 피해는 단순한 직접적 손실을 넘어, 연쇄적인 피해를 발생시킬 수 있기에 동시다발적인 조사와 신속한 복구 작업이 중요하다. 그러나 자연재해가 영향을 끼치는 범위가 방대하며, 피해 양상이 다양하고 복잡하기 때문에 한정된 인력과 자원으로 효과적인 대응이 어렵다. 이런 문제점을 해결하기 위해 자연재해 피해에 인공지능 기술을 활용하는 방안이 대두되고 있다. 본 연구는 인공지능을 활용하여 선제적으로 자연재해 피해 영역을 검출하고 전문가들이 피해 규모와 상황을 빠르게 파악할 수 있도록 재해 상황에 인공지능을 활용하는 방법론에 대해서 연구한다. 인공지능 기반의 이미지 세그멘테이션 모델을 활용하여 각 모델의 검출 성능을 비교, 분석하고 자연재해 피해 영역을 검출한다. 연구에 활용한 데이터는 AI-hub에서 제공하는 ‘자연재해로 인한 생활시설 안전 데이터’로 AI-hub에서 기존 활용 AI 모델로 Mask R-CNN을 제안한다. Mask R-CNN 모델에서 발생할 수 있는 문제점을 파악하고 이를 보완하고자 ViT 기반 모델인 Mask2Former, Mask DINO 모델을 활용하고 검출 성능을 비교하였다. CNN 기반 모델과 비교해 보았을 때, ViT 기반 모델이 전반적으로 높은 성능을 보였으며, 특히 Mask2Former 모델이 가장 우수한 성능을 보였다. 또한, Mask2Former 모델이 활용 데이터에 더욱 높은 성능을 낼 수 있도록 모델을 개선하는 실험을 추가로 수행하였다. 이 연구는 자연재해 피해 대응 위한 새로운 방법론을 제시하며, 자연재해 대응에 인공지능을 활용했을 때, 피해 복구에 효율적으로 기여할 수 있음을 시사한다.

more

초록

Due to the influence of climate change, the frequency and scale of natural disasters are increasing every year. The damage caused by natural disasters goes beyond simple direct losses and can lead to cascading effects, making simultaneous assessment and rapid recovery operations crucial. However, the extensive reach of natural disasters and the diversity and complexity of the damage patterns make it challenging to effectively respond with limited manpower and resources. To address these issues, the use of artificial intelligence (AI) technology to mitigate the impact of natural disasters is gaining prominence. This research focuses on utilizing AI to proactively detect areas affected by natural disasters and to enable experts to quickly assess the scale and situation of the damage in disaster scenarios. The methodology of using AI in disaster situations is studied. AI-based image segmentation models are employed to compare and analyze the detection performance of each model in identifying areas affected by natural disasters. The data used in this study is sourced from AI-hub, specifically the "Safety of Residential Facilities Data Due to Natural Disasters." The study proposes the utilization of the Mask R-CNN AI model as a baseline and identifies potential issues within the Mask R-CNN model. To address these issues, the study also employs ViT-based models, namely Mask2Former and Mask DINO, and compares their segmentation performance. When compared to CNN-based models, ViT-based models showed overall superior performance, with the Mask2Former model demonstrating the highest performance. Additionally, experiments were conducted to further improve the Mask2Former model's performance to better suit the utilized data. This research presents a novel methodology for disaster response and underscores the efficiency of using artificial intelligence in aiding disaster recovery efforts when dealing with the impact of natural disasters.

more

목차

제 1 장 서론 1
1.1. 연구 배경 및 동기 1
1.1.1. 연구 배경 1
1.1.2. 연구 동기 2
1.1.3. 자연재해 피해 식별 학습 방법 2
1.2. 연구 목표 및 가설 3

제 2 장 관련 연구 4
2.1. 선행연구 4
2.2. 객체 탐지 개요 4
2.3. 이미지 세그멘테이션(IMAGE SEGMENTATION) 5
2.4. 객체 탐지 학습 방법 6
2.4.1. Mask R-CNN 7
2.4.2. Mask2Former 12
2.4.3. Mask DINO 15
2.5. 객체 검출 모델 비교 및 연구 가설 17

제 3 장 연구 방법론 19
3.1. 제안 모델 19
3.1.1. 실험 설계 흐름 및 시각화 19
3.2. 데이터 및 평가지표 21
3.2.1. 활용 데이터 21
3.2.2. 평가지표 23

제 4 장 실험 24
4.1. 실험 설계 및 실험 환경 24
4.1.1. 실험 설계 24
4.1.2. 실험 환경 25
4.2. 실험 26
4.2.1. Mask R-CNN 26
4.2.2. Mask2former 29
4.2.3. Mask DINO 32
4.2.4. Mask2Former 개선 실험 35

제 5 장 결과 및 분석 39
5.1. 결과 39
5.2. 분석 40

제 6 장 논의 47
6.1. 시사점 47
6.2. 한계점 48

제 7 장 결론 49
7.1. 주요 결론 요약 49
7.2. 연구 결과의 실용성 및 응용 방안 제안 50

참고 문헌 51

more
반출 Meta View 목록