1 |
1
(a) 변화탐지 네트워크에서 가중치와 잔차의 초기값으로 활용하기 위해 전이학습 모듈(11)이 기구축된 다중분광영상과 초분광영상을 통해 분류 네트워크를 학습하는 단계(S10)와;(b) 학습자료 추출 모듈(12)이 서로 다른 시기에 취득된 초분광영상으로부터 학습자료를 생성하는 단계(S20), 및(c) 변화탐지 네트워크 학습 모듈(13)이 상기 서로 다른 시기에 취득된 초분광영상에 대하여 변화탐지 네트워크를 통해 변화지역과 비변화지역을 학습하여 변화탐지를 수행하는 단계(S30)로 이루어지되,상기 단계(b)에서 학습자료 생성은,(b1) 서로 다른 시기에 취득된 초분광영상의 주성분 분석을 통해 생성된 주성분들의 로딩값을 계산하여 다른 시기간 로딩의 패턴이 다르게 나타난 요소를 주요 주성분으로 결정하는 단계와;(b2) 상기 서로 다른 시기에 취득된 초분광영상을 활용하여 분광상관각을 계산하며 이 분광상관각을 상기 주요 주성분과 융합하여 차영상을 생성하고, 이 차영상에 순수화소 추출기법을 적용하여 변화와 비변화 클래스를 대표할 수 있는 화소를 결정하는 단계, 및(b3) 초분광영상 내 모든 화소는 상기 변화와 비변화 클래스를 대표하는 화소와의 분광상관각 거리를 기준으로 변화 또는 비변화 클래스로 분류되어 학습자료로 생성하는 단계로 이루어지는 것을 특징으로 하는, 순환형 3차원 완전 합성곱망을 활용한 초분광영상의 변화탐지 방법
|
2 |
2
제 1 항에 있어서,상기 단계(a)에서는 기구축된 다중분광영상에서 분류 네트워크의 초기 두 개의 합성곱레이어를 통과하면서 학습된 가중치와 잔차를 기구축된 초분광영상을 활용한 분류 네트워크에 가중치와 잔차의 초기값으로 사용하고, 상기 기구축된 초분광영상은 오차를 공유하며 학습하는 분류 네트워크를 활용하며, 이렇게 기구축된 다중분광영상과 초분광영상을 통해 학습된 분류 네트워크의 초기 두 개의 합성곱레이어의 가중치와 잔차는 상기 변화탐지 네트워크의 합성곱레이어의 가중치와 잔차로 초기화되는 것을 특징으로 하는, 순환형 3차원 완전 합성곱망을 활용한 초분광영상의 변화탐지 방법
|
3 |
3
삭제
|
4 |
4
제 1 항에 있어서,로딩값은 다음의 수학식,(여기서, 고유벡터(eigenvector)는 선형변환에 의한 변환 결과가 자기 자신의 상수배가 되는 0이 아닌 벡터, 상기 상수배 값이 고유값(eigenvalue))으로 산출하고,초분광영상의 분광상관값(SCM)과 분광상관각(SCA)은 다음의 수학식들,(여기서, 과 는 각각 T1과 T2시기에 취득된 영상 I의 밴드별 반사율, 과 는 각각 T1과 T2시기에 취득된 영상 I의 모든 밴드의 반사율 평균, x,y,l은 각각 가로, 세로, 밴드(차원))로 산출하며,차영상은 다음의 수학식, (여기서, PC는 주요 주성분, i는 주요 주성분의 갯수)으로 산출하는 것을 특징으로 하는, 순환형 3차원 완전 합성곱망을 활용한 초분광영상의 변화탐지 방법
|
5 |
5
제 1 항에 있어서,상기 단계(c)에서 상기 변화탐지 네트워크는 서로 다른 시기에 취득된 초분광영상인 입력영상과 학습자료를 입력자료로 하고, 공간 및 분광정보를 추출하는 3차원 커널을 사용한 3개의 합성곱 레이어, 시계열 정보를 분석하는 합성곱 장단기 레이어, 분류를 위한 합성곱 레이어로 구성되면서 시간의 경과에 따라 상기 5개의 레이어가 순서대로 수행되는 것을 특징으로 하는, 순환형 3차원 완전 합성곱망을 활용한 초분광영상의 변화탐지 방법
|
6 |
6
제 5 항에 있어서,상기 합성곱 레이어는 다음의 수학식,(여기서, Oxyz는 합성곱 레이어를 통과하고 출력된 특징맵의 (x,y,z) 위치에서의 화소 분광값, a(x+i)(y+j)(z+k)는 합성곱 레이어를 통과하기 전 이전 특징맵의 (x+i,y+j,z+k) 위치에서의 입력화소값, wijk는 3차원 커널의 (i,j,k) 위치의 가중치, b는 잔차, f는 활성함수)을 포함하고,상기 합성곱 장단기 레이어는 다음의 수학식,(여기서, σ는 시그모이드 함수,‘*’은 합성곱 연산,‘˚’는 아다마르 곱 연산으로 같은 크기의 두 행렬의 각 성분을 곱하는 연산, Wxi,Wxf,Wxo,Wxc는 입력 벡터 xt에 연결된 가중치 행렬, Whi,Whf,Who,Whc는 이전 t-1의 단기상태 ht-1에 연결된 가중치 행렬, ct-1는 이전 t-1의 cell state, bf,bi,bo,bc는 네 개의 레이어에 대한 잔차, ht는 합성곱 장단기 레이어를 통과한 후 출력된 특징맵의 화소 분광값)을 포함하되, 상기 공간 및 분광정보를 추출하는 합성곱 레이어를 통해 추출된 특징맵들의 화소 분광값은 합성곱 장단기 레이어의 입력 데이터가 되고 합성곱 장단기 레이어의 출력 특징맵의 화소 분광값은 상기 분류를 위한 합성곱 레이어의 입력 데이터로 합성곱 레이어를 통과하여 입력영상인 초분광영상의 모든 화소는 이진 또는 다중 클래스로 분류되는 것을 특징으로 하는, 순환형 3차원 완전 합성곱망을 활용한 초분광영상의 변화탐지 방법
|