컨텐츠 바로가기

03.29 (금)

구글, 위성 이미지와 딥러닝 기술로 건물 분포 지도 만든다...멸종동물과 나무DB 구축에도 활용

댓글 첫 댓글을 작성해보세요
주소복사가 완료되었습니다
구글 인공지능 블로그(Google AI Blog)는 28일(현지 시각) 고해상도 위성 이미지에서 아프리카 대륙의 건물을 탐지하는 모델을 발표하며 '오픈 빌딩스(Open Buildings) 데이터셋'을 함께 공개했다. (원문 링크)

건물 종적에 대한 정확한 기록은 인구 추정과 도시 계획부터 인도주의적 대응과 환경 과학에 이르기까지 다양한 쓰임에 핵심적인 역할을 한다. 특히 홍수나 지진과 같은 재난이 발생한 후 정부는 얼마나 많은 가구가 피해를 보았는지 추정해야 한다.

최신 인구조사 정보를 활용하는 것이 이상적이나, 실제로 해당 기록은 최신이 아니거나 이용이 불가능할 여지가 있다. 건물의 위치와 밀도에 대한 데이터는 인구 통계를 대체할 중요한 정보 원천이다.

AI타임스

컴퓨터 비전기술을 사용해 건물 탐지 시 불분명한 위성 자료(사진=구글 인공지능 블로그)


컴퓨터 비전기술을 사용해 건물 탐지 시 불분명한 위성 자료(사진=구글 인공지능 블로그)이러한 데이터를 수집하는 좋은 방법은 위성 이미지를 통해 전 세계, 특히 고립되거나 접근하기 어려운 지역의 건물 분포를 지도화하는 것이다. 그러나 일부 환경에서 컴퓨터 비전을 활용해 건물을 탐지하기는 쉽지 않다.

수백㎞ 상공에서 지구를 촬영하는 위성 이미징이 고해상도(픽셀당 30~50cm)일지라도 작은 건물이나 텐트 피신처는 겨우 몇 화소를 차지하기 때문이다. 농촌이나 임시 거주지에서는 자연 자원으로 건축한 건물이 주변 환경과 시각적으로 섞여 구분하기가 더욱 어렵다. 이처럼 다양한 자연적ㆍ인위적 특성은 위성 상의 이미지를 분석하는 데 혼동을 야기한다.

구글이 발표한 '고해상도 위성 이미지에서의 대륙 규모 건물 탐지' 논문은 대초원ㆍ사막ㆍ숲 등 농촌 및 도시 환경에 위치한 건물과 임시 거주지, 난민 시설을 감지함으로써 위성 이미징의 한계를 극복한 연구를 담고 있다.

이와 더불어 구글은 아프리카 대륙 전반에 걸친 약 5억 1600만 채의 건물 위치와 종적을 포함한 '오픈 빌딩스(Open Buildings) 개방형 데이터 세트'를 구축했다. 해당 데이터는 재해 대응과 인구 분포 지도화, 의료시설 확보 등 사업 계획, 인간이 자연환경에 미치는 영향 연구 등에 활용할 계획이다.

AI타임스

지역별 자연적ㆍ인위적 특징이 건물을 감지하는 데 혼란을 불러일으키는 사례(사진=구글 인공지능 블로그)

<이미지를 클릭하시면 크게 보실 수 있습니다>


지역별 자연적ㆍ인위적 특징이 건물을 감지하는 데 혼란을 불러일으키는 사례(사진=구글 인공지능 블로그)모델 개발 과정에서 구글은 175만 채의 건물에 10만 개의 이미지를 수동으로 라벨링 해 교육 데이터셋을 확보했다. 이 과정에서 아프리카 내 서로 다른 지역의 교란 특성을 고려해 레이블을 지정했다. 일례로 농촌에서는 다양한 유형의 주거지를 식별하고 자연환경과의 구분을 명확히 해야 했으며, 도시 지역에서는 밀도가 높고 연속적인 구조에 대한 라벨링 개발이 필요했다.

또, 각 픽셀을 빌딩 또는 빌딩이 아닌 것으로 분류한 다음 이를 개별 인스턴스로 그룹화해 상향식으로 건물을 감지하도록 모델을 교육했다. 건물 탐지 기술은 위성 이미지 분석에 흔히 사용되는 U-Net 모델을 기반으로 한다. 비교적 간편한 아키텍처이기 때문에 컴퓨팅 부담이 크지 않고 다량의 이미징 데이터에 적용할 수 있다는 장점이 있다.

AI타임스

위성 영상 속 건물을 분할 작업하는 과정(사진=구글 인공지능 블로그)

<이미지를 클릭하시면 크게 보실 수 있습니다>


위성 영상 속 건물을 분할 작업하는 과정(사진=구글 인공지능 블로그)성능 향상을 위해서는 무작위로 훈련된 이미지에 가중 평균을 더해 정규화 방법을 합성적으로 사용했다. 10만 개의 훈련된 이미지를 사용하더라도 모델이 테스트 시점에 제시하는 지형, 대기 및 조명 조건의 변화를 완전하게 포착하기는 어렵다. 뿐만 아니라 데이터가 과적합(overfit)하는 경향이 있기에 정규화는 분할 작업에 중대한 역할을 한다.

본 모델의 주축이 되는 또 다른 기술은 비지도 자기 훈련이다. 연구팀은 아프리카 전역을 촬영한 1억 개의 위성사진을 건물이 포함된 870만 개의 부분 집합으로 필터링했다. 이 데이터셋은 '노이지 스튜던트(Noisy Student)' 모델을 토대로 자율 훈련에 적용됐다. 이를 통해 거짓양성 판단(false positives)을 줄이고 건물 감지 역할에 대한 신뢰도를 향상할 수 있었다.

AI타임스

아프리카 건물 탐지 모델 정확도-리콜 그래프(사진=구글 인공지능 블로그)

<이미지를 클릭하시면 크게 보실 수 있습니다>


아프리카 건물 탐지 모델 정확도-리콜 그래프(사진=구글 인공지능 블로그)구글은 아프리카 대륙의 여러 지역에서 모델의 기능을 평가한 결과, 정확도와 리콜이 지역마다 상이했기 때문에 대륙 전체에서 일관된 성능을 달성하는 것이 목표라고 밝혔다.

한편, 위성 이미징 기술과 인공지능은 건물 분포 지도화뿐 아니라 멸종 위기 동물 보존과 나무 데이터베이스 생성 등에 활용되고 있다. 마이크로소프트(MS) AFE 연구소는 국립해양대기청(NOAA)과 파트너십을 맺고 벨루가 고래와 바다표범, 북극곰 등 멸종 위기에 처한 극지 동물 개체 수를 추적하고 있다고 밝힌 바 있다.

NOAA가 제공한 약 20테라바이트(TB) 용량의 극지방 사진을 기간별, 동물별로 분류해 개체수 증감 및 증감원인을 파악한다. 일반 음파탐지기가 잡아내지 못하는 영역 음파도 인식하기 때문에 심해어 서식지 감소는 물론 벨루가의 개체 수 조사도 가능하다. 선박 항해 경로가 벨루가 같은 예민한 동물의 행동에 미치는 영향도 분석할 수 있다.

또, 코펜하겐대 컴퓨터과학부와 나사(NASA) 연구팀은 위성사진과 딥러닝 기술을 통해 사하라 사막 최서부지역ㆍ사헬 지대ㆍ서아프리카 하위습지 등 130만 제곱킬로미터에 달하는 지역에 나무 약 18억 그루가 자라고 있다는 사실을 발견했다.

동시에 수천 개의 나무 이미지를 입력한 딥러닝 학습 모델을 공개했다. 본 연구는 전 세계 탄소공급에 있어 중요한 정보를 제공하며, 건조한 지역의 혼농임업을 촉진하는 프로그램 개발을 돕는다.

AI타임스

녹색=AI 감지 코끼리. 적색=확인된 코끼리. (사진=2020 막사 테크놀로지)

<이미지를 클릭하시면 크게 보실 수 있습니다>


녹색=AI 감지 코끼리. 적색=확인된 코끼리. (사진=2020 막사 테크놀로지)최근 영국 옥스퍼드 대학교와 배스 대학교, 네덜란드 트벤테 대학교 연구진은 위성 카메라와 AI 기술을 결합해 아프리카코끼리 수를 추적하는 데 성공한 바 있다. 지표 600킬로미터 상공 궤도를 도는 지구 관찰 위성 '월드뷰3'과 '월드뷰4'가 남아프리카공화국 아도 코끼리 국립공원 사진을 촬영했다.

딥러닝 기술은 위성사진에 나타난 코끼리의 특징을 스스로 학습했다. 멸종 위기에 처한 아프리카코끼리 개체 수를 확인함으로써 생태 특성을 분석하고, 번식 등을 활성화하기 위한 방안을 모색할 수 있을 것으로 기대된다.

AI타임스 박유빈 기자 parkyoobin1217@aitimes.com

[관련기사] 멸종위기 동물 지킴이 인공지능(AI) 시스템 나왔다...영국 바스대학 개발

[관련기사] 사하라 사막에 나무가 있다? AI가 18억 그루 탐지

Copyright ⓒ '인공지능 전문미디어' AI타임스 (http://aitimes.com)
기사가 속한 카테고리는 언론사가 분류합니다.
언론사는 한 기사를 두 개 이상의 카테고리로 분류할 수 있습니다.