원격 감지 이미지를 이용한 도로 표면 추출을 위한 낙서 기반 약한 감독 심층 학습

원격 감지 이미지를 이용한 도로 표면 추출이 딥 러닝 방법을 통해 좋은 성능을 달성했지만, 기존의 대부분 방법은 완전 감독 학습에 기반하고 있어, 노동 집약적인 픽셀 단위 주석이 포함된 대량의 훈련 데이터가 필요하다. 본 논문에서는 밀집하게 주석된 도로 표면의 실제 진실 대신 중앙선과 같은 쉽게 접근 가능한 낙서로부터 학습하는 ScRoadExtractor라는 낙서 기반 약한 감독 도로 표면 추출 방법을 제안한다. 희소한 낙서로부터 라벨이 없는 픽셀로 의미 정보를 전파하기 위해, 도로 네트워크의 버퍼 기반 속성과 슈퍼 픽셀의 색상 및 공간 정보를 고려하여 도로, 비도로 및 미지수의 범주로 제안 마스크를 생성하는 도로 레이블 전파 알고리즘을 도입한다. 제안 마스크는 이미지에서 감지된 보조 경계 사전 정보와 함께 사용되어, 정밀한 도로 표면 세그멘테이션을 위해 설계된 이중 분기 인코더-디코더 네트워크를 훈련하는 데 활용된다. 우리는 세계 각지의 고해상도 원격 감지 위성 및 항공 영상으로 구성된 세 가지 다양한 도로 데이터 세트에서 실험을 수행했다. 결과는 ScRoadExtractor가 교차율(IoU) 지표에서 고전적인 낙서 감독 세그멘테이션 방법보다 20% 더 우수하며, 최신 낙서 기반 약한 감독 방법보다 최소 4% 더 뛰어남을 보여준다.