재난지역에서의 신속한 건물 피해 정도 감지를 위한 딥러닝 모델의 정량 평가

Abstract

본 연구는 AI 기법 중에 최근 널리 사용되고 있는 딥러닝 모델들을 비교하여 재난으로 인해 손상된 건물의 신속한 감지에 가장 적합한 모델을 선정하는 데 목적이 있다. 먼저, 신속한 객체감지에 적합한 1단계 기반 검출기 중 주요 딥 러닝 모델인 SSD-512, RetinaNet, YOLOv3를 후보 모델로 선정하다. 이 방법들은 1단계 기반 검출기 방식을 적용 한 모델로서 객체 인식 분야에 널리 이용되고 있다. 이 모델들은 객체 인식 처리방식의 구조와 빠른 연산의 장점으 로 인해 객체 인식 분야에 널리 사용되고 있으나 재난관리에서의 적용은 초기 단계에 머물러 있다. 본 연구에서는 피 해감지에 가장 적합한 모델을 찾기 위해 다음과 같은 과정을 거쳤다. 먼저, 재난에 의한 건물의 피해 정도 감지를 위 해 재난에 의해 손상된 건물로 구성된 xBD 데이터셋을 활용하여 초고해상도 위성상을 훈련시켰다. 다음으로 모 델 간의 성능을 비교·평가하기 위하여 모델의 감지 정확도와 이미지 처리속도를 정량적으로 분석하다. 학습 결과, YOLOv3는 34.39%의 감지 정확도와 초당 46개의 이미지 처리속도를 기록하다. RetinaNet은 YOLOv3보다 1.67% 높은 36.06%의 감지 정확도를 기록하으나, 이미지 처리속도는 YOLOv3의 3분의 1에 그쳤다. SSD-512는 두 지표 에서 모두 YOLOv3보다 낮은 수치를 보다. 대규모 재난에 의해 발생한 피해 정보에 대한 신속하고 정한 수집은 재난 대응에 필수적이다. 따라서 본 연구를 통해 얻은 결과는 신속한 지리정보 취득이 요구되는 재난관리에 효과적 으로 활용될 수 있을 것이라 기대한다.