MAXAR의 HD 위성 이미지와 머신러닝의 만남

저-멀리 인공위성에서 찍었다고 화질이 안 좋을 거란 생각은 그만! 

MAXAR는 고해상도 위성 이미지를 제공한답니다. 

 

출처: Maxar 홈페이지

 

지구 관측과 우주 인프라 기술 분야에서 최고로 손꼽히는 MAXAR가 가진 슬로건!

For A Better World✨ 

Maxar는 이 슬로건의 뜻처럼 그들의 선도적인 혁신, 솔루션과 사회 및 공공 경영 관행을 적용함으로써 지속가능한 발전을 위해 노력하고 있습니다.

이번 포스팅에서는 현재 궤도에 90여 개의 인공위성을 가진 Maxar의 HD 위성 이미지에 관해 이야기해드리려고 합니다. 

 

Maxar의 HD 기술?

HD, UHD급 화질..TV에서만 들어봤는데 인공위성 이미지에도 HD 기술이 들어갈 수 있다니 신기하지 않으신가요?!

Maxar만의 고화질(HD) 기술은 고해상도 위성 이미지의 선명도를 향상시켜 기존 이미지보다 미세한 부분까지 더 선명하게 파악할 수 있다고 합니다. 예를 들어 건물의 가장자리, 건축 설계 세부 사항, 도로 표시 및 차량 등과 같이 흐릿하게 보이는 것들까지도 말이죠!

아래 사진을 통해 Maxar의 HD 기술의 향상된 품질을 볼 수 있습니다. 

31cm 해상도에서 WorldView-3으로 본 거리, (왼쪽, 기본 이미지), (오른쪽, HD로 처리한 이미지)

 

어떠신가요! 태양 전지판의 선이나 자동차의 앞 유리나 나무와 같은 작은 디테일까지 선명하게 보이지 않나요?

Maxar는 단순히 이미지 퀄리티 개선이 아니라 이를 유의미한 수치로 나타내고자 객관적인 데이터를 제공하는 머신러닝(ML)을 이용해 또 다른 테스트를 해보았습니다. 

 

자, 그럼 Maxar는 어떤 주제로 HD 기술을 테스트했을까요?🤓

앞서 말한 Maxar의 ‘For Better World’ 슬로건에서 엿볼 수 있듯이, 이번 테스트 사례로는 UN Sustainable Development Goals (SDGs), 즉 유엔의 지속가능한 발전에 관한 사례 중점으로 가져와 봤는데요. 

그 중 기본 해상도와 HD 해상도 이미지의 차이를 확연하게 볼 수 있었던 사례는

바로 ☀️태양 전지판☀️입니다! 

이번 포스팅에선 태양 전지판에 초점을 맞춰보시면 해상도 차이를 더욱 느끼실 텐데요! 

기존 위성 이미지로는 태양 전지판의 방향과 각도에 따라 반사되는 강렬한 빛이나 패널 구성에 사용되는 재료의 차이로 인해 머신러닝이 안정적으로 식별하기 어려웠는데요.  더 선명하고 분명하게 보이는 HD 이미지로는 구분이 가능할 것으로 판단되어 선택했습니다. 

 

그래서 어떻게 데이터셋을 구성하고 어떤 모델을 사용할까?

태양 전지판 데이터셋은 기본 해상도(30cm), HD 해상도(15cm) 두 가지 버전으로 독일 남부의 Maxar WorldView-3 이미지의 약 100㎢로 구성되었습니다. 물체 감지 모델을 학습할 때 가장 일반적인 방법으로 사각형 모양의 맵 서버에서 그려지는 지리적 영역의 범위인 ‘Bounding box(경계 박스)’를 사용했습니다. HD 이미지에서 Bounding box 및 해당 좌표로 레이블를 지정한 다음 그 좌표를 기본 해상도 이미지에 전송하여 데이터셋을 구성했습니다. 

학습할 모델로는 You Only Look Twice(YOLTv4) 프레임워크를 사용했습니다. YOLTv4는 위성 이미지에서 다양한 크기의 물체 (비행기, 보트 및 자동차)를 성공적으로 감지했고, 오픈 소스 코드였기 때문에 쉽게 테스트를 할 수 있었습니다. 

 

모델 학습은 어떻게 할까?

각 데이터셋은 구성 그룹은 총 3개로 학습된 이미지, 검증 이미지, 그리고 테스트 이미지로 나눠 구성했습니다. 이미지에게 태양 전지판을 인식하는 훈련을 하고 검증 이미지는 하이퍼 파라미터를 조정하는 동안 모델에 대한 객관적인 평가를 제공했습니다. 

평가 중에 사용된 메트릭은 mAP (mean Average Precision: 평균 정밀도)로 모델 파라미터 및 검증 데이터셋을 사용하여 감지된 임계값에 대한 측정된 수치를 뜻합니다. 아래는 학습 후 각 모델이 달성한 mAP을 평가한 차트인데요, mAP은 1에 가까울수록 정확하다고 하는데 HD 이미지의 mAP이 0.912로 기본 이미지보다 월등히 우수하다고 볼 수 있습니다! 

mAP의 수치를 통해 HD 모델이 기본 모델보다 더 안정적임을 알 수 있습니다.

 

분석해보자면?

HD 이미지는 더 많은 태양 전지판을 감지하고 모든 테스트에서 오류도 더 적었습니다. 또한 기존 이미지의 문제가 되었던 다양한 크기의 패널 ​​및 패널 클러스터를 식별할 수 있었습니다. 이로써 태양 전지판과 같이 기존 위성 사진으로는 식별이 어려운 사물을 감지할 때 HD 이미지로 설계 및 테스트 된 모델이 더 나은 성능을 가지고 있다는 것이 증명되었네요! 

기본 해상도 모델(오른쪽)은 일부 태양광 패널을 감지하지만, HD 모델(가운데)은 모두를 감지합니다.

HD 모델(가운데)은 기본 해상도 모델(오른쪽)에서 놓친 모든 태양 전지판을 식별…앗! 하지만 이미지 상단에 잘 못 감지한 부분이 있네요.

 

HD 이미지로 개선된 점을 정확하게 나타내기 위해 테스트 이미지의 Ground truth bounding box(실측자료)를 사용하여 F1 점수를 계산했습니다.

F1 점수는 긍정오류(false positives)와 부정오류(false negatives)를 피하고 올바르게 식별하는 모델의 능력을 측정하는 데 사용되는 점수인데, 0과 1 사이의 범위에서 1은 모든 물체가 완벽하게 감지될 때를 의미한답니다!

아래 표를 보면 반복 테스트에서 HD 모델이 기본 모델보다 우수한 성능을 알 수 있는데요, 이 사용 사례의 경우 데이터셋 해상도를 HD로 변경하기만 했는데 모델 성능이 6% 이상 향상되었습니다. 태양 전지판을 정확하게 식별하는 작업도 수천 시간은 절약될 만큼 효율적이라는 뜻이죠! 

기본 해상도 모델과 비교했을때, HD 해상도 모델은 정확도, Recall 및 F1 점수 모두 더 높은 성능을 기록했습니다. 

 

마지막으로, 

Maxar의 HD 기술은 고화질 이미지 제공뿐만 아니라 머신러닝을 동반하여 반복적인 프로세스가 아닌 모델 성능을 테스트할 때 드는 상당한 시간과 노력을 절약할 수 있다는 큰 장점이 있었습니다. 이러한 유용한 기술을 더욱 발전시켜 향후 더 미세한 물체도 감지하고 중요한 정보를 수집하는 속도가 빨라질 것이라 기대해봅니다! 

머신러닝이 HD 위성 이미지에도 쓰일 수도 있다는 놀라운 기술의 융합이 매우 흥미로웠던 사례였던 것 같습니다. 다음 포스팅에서는 Maxar의 또 다른 새로운 기술을 들고 올 테니 기다려주세요😉

 

SPH는 Google Maps, SuperMap, Maxar Technologies 등 다양한 케이스에 존재하는 다양한 제품군을 보유하고 있는 고객의 사례에 꼭 맞는  무료 세미나 및 인적 컨설팅을 제공하고 있습니다. 각 케이스에 더욱 자세한 이야기를 나누고 싶으시다면, 여기에서 문의 주시길 바라며,  SPH에서 발행하는 GIS / 로케이션인텔리전스 관련 최신 소식을 받아보고 싶으신 분들은 페이스북 페이지 또는 뉴스레터를 구독해주시길 바랍니다. 감사합니다.