대표어
학술연구정보서비스(KERIS)
권호기사보기
| 기사명 | 저자명 | 페이지 | 원문 | 기사목차 |
|---|
국회도서관 홈으로
정보검색
소장정보 검색
결과 내 검색
동의어 포함
목차보기
표제지
국문초록
목차
1. 서론 14
1.1. 연구 배경 및 목적 14
1.2. 연구 동향 23
1.2.1. 건물과 도로의 일반화 기법 23
1.2.2. 기계학습 기법을 적용한 연구 29
1.2.3. 지도 제작 및 일반화 과정 33
1.2.4. 소결 42
1.3. 연구의 범위 및 방법 43
2. 기계학습 알고리듬의 적용 48
2.1. 기계학습 개요 48
2.2. 사용된 기계학습 알고리듬 53
2.2.1. 의사결정 나무 54
2.2.2. k-최근접 이웃 56
2.2.3. SVM 59
2.2.4. 인공신경망 62
2.3. 기계학습 알고리듬 적용을 위한 데이터 생성 66
2.3.1. 실험 데이터 및 전체 실험 순서 66
2.3.2. 훈련 데이터 생성 68
3. 실험 및 결과 77
3.1. 건물과 도로에 기계학습 적용 77
3.1.1. 건물에 적용 77
3.1.2. 도로에 적용 83
3.2. 학습 모델의 생성 및 성능평가 86
3.3. 모델 적용을 통한 제작자 간 차이의 정량화 93
3.3.1. 건물에 대한 성능평가 94
3.3.2. 도로에 대한 성능평가 100
3.3.3. 지역 간의 차이에 대한 평가 105
3.4. 도시와 비 도시지역에 적용 112
3.5. 소결 119
4. 결론 및 고찰 121
참고문헌 125
Abstract 141
〈그림 1-1〉 모델 일반화와 지도학적 일반화 15
〈그림 1-2〉 Vetter et al.(2015)의 연구에 활용된 ArcGIS ModelBuilder 27
〈그림 1-3〉 DeepOSM의 결과로 추출된 도로(굵은 선) 32
〈그림 1-4〉 수치지형도 수시수정 주요 내용 34
〈그림 1-5〉 국가기본도 수정 사업 위치도 44
〈그림 1-6〉 논문 구성 및 흐름도 46
〈그림 2-1〉 기계학습 알고리듬의 종류 48
〈그림 2-2〉 MNIST 데이터 세트 49
〈그림 2-3〉 비지도 학습의 예시 - 군집화(clustering) 51
〈그림 2-4〉 강화학습 알고리듬 52
〈그림 2-5〉 k-최근접 이웃 알고리듬의 예시 57
〈그림 2-6〉 SVM의 최대 마진 초평면과 서포트 벡터 59
〈그림 2-7〉 뉴런의 값 계산 과정 63
〈그림 2-8〉 실험 순서도 66
〈그림 2-9〉 실험 데이터 생성 과정 67
〈그림 2-10〉 기계학습을 위한 입/출력 데이터 생성 69
〈그림 2-11〉 1:5,000 건물 레이어(좌) 와 1:25,000 건물 레이어(우) 71
〈그림 2-12〉 건물의 클래스 부여 과정 72
〈그림 2-13〉 1:5,000 도로중심선 레이어(좌)와 1:25,000 도로중심선 레이어 73
〈그림 2-14〉 수치지형도 도로중심선 재구조화 과정 74
〈그림 2-15〉 버퍼 폴리곤을 활용한 도로중심선 레이어 분류 과정 75
〈그림 3-1〉 건물에 대해 생성된 의사결정 나무 80
〈그림 3-2〉 k 값에 따른 오차율 변화(건물) 82
〈그림 3-3〉 도로에 대해 생성된 의사결정 나무 84
〈그림 3-4〉 k 값에 따른 오차율 변화(도로) 85
〈그림 3-5〉 건물을 대상으로 한 알고리듬별 예측률 88
〈그림 3-6〉 도로를 대상으로 한 알고리듬별 예측률 91
〈그림 3-7〉 제작자 간 차이의 정량화 과정 93
〈그림 3-8〉 제작자 A의 건물에 관한 결과 - 음영: 예측 결과의 오답 98
〈그림 3-9〉 제작자 B의 건물에 관한 결과 - 음영: 예측 결과의 오답 99
〈그림 3-10〉 제작자 B의 10,000㎡ 이상 건물에서의 오차 음영: 삭제됨 100
〈그림 3-11〉 제작자 B의 단지 내 도로에 대한 오차 결과 104
〈그림 3-12〉 제작자 E의 내 도로에 대한 오차 결과 104
〈그림 3-13〉 도시와 비 도시 지역의 기계학습 모델에 대한 분석 순서도 113
초록보기
현재 우리나라의 1:25,000 수치지형도는 1:5,000 수치지형도를 축소 편집하여 생성하고 있다. 축소 편집은 대축척 지도로부터 소축척 지도를 만드는 과정이며, 이 과정에서 필연적으로 지도 일반화(map generalization) 기법을 적용하게 된다. 그동안의 지도 일반화는 객체의 기하학적 특징들을 활용하여 일반화하는 기하학적 일반화 방법, 혹은 규칙기반(rule-based) 방법이 주류를 이루어 왔다. 현재 우리나라의 축소 편집 과정은 축소 편집 관련 규정에 따르는 일종의 규칙기반 방법을 통해 수행되고 있다고 볼 수 있다. 하지만, 규정집의 내용이 구체적이지 않은 부분들이 다수 존재하여 편집자의 주관이 개입될 여지가 많다. 축소 편집 시에 제작자의 주관이 개입될수록 소축척 지도 품질의 일관성을 담보해 주지 못하며, 편집자 개인의 역량에 따라 일반화의 품질이 좌우된다는 단점이 있다.
지도 일반화에 관한 연구에서도 사람의 개입이 지도 일반화의 결과물을 일관적이지 못하게 한다는 문제가 꾸준히 제기되고 있다. 이에 따라 지도 일반화의 연구 흐름은 자연스럽게 사람의 개입을 최소화하고 자료취득 및 처리 공정을 자동화함으로써 지도 일반화 품질의 일관성을 담보할 수 있는 방향으로 진행되어왔다. 그러나 이에 앞서 사람의 개입이 지도 일반화 품질에 어떠한 영향을 얼마나 주고 있는지에 대해 정량적으로 밝혀진 연구사례나 실증사례는 매우 부족한 현실이며, 구축된 지도 일반화 결과물의 분석을 통해 기존의 규정을 보완하는 등의 활용 방안을 제시하려는 시도 또한 미흡한 편이다.
본 연구에서는 사람의 개입으로 인해 발생하는 일반화 품질의 차이를 기계학습 방법을 적용하여 정량화하고, 나아가 이를 활용하여 일반화된 지도의 품질 향상 방안을 제시하고자 한다. 이를 위해 1:5,000 수치지형도에서 1:25,000 수치지형도로의 축소 편집 시 건물과 도로의 선택적 삭제 여부를 예측할 수 있는 기계학습 모델을 생성하고 학습된 모델을 서로 다른 여섯 명의 지도 제작자가 제작한 지역에 적용하여 건물과 도로객체의 선택적 삭제 여부에 대한 예측률을 측정하였다. 측정된 예측률 간의 차이와 그 양상을 분석함으로써 지도 제작자 간의 편집 방법에 있어서 유의미한 차이가 있음을 밝히고자 하였다.
이를 위해 학습 모델의 성능평가를 위해 학습 모델에 사용된 네 개의 알고리듬 - 의사결정 나무(decision tree), k-최근접 이웃(k-nearest neighbor), SVM(Support Vector Machine), 인공신경망(Artificial Neural Network, ANN) - 별로 건물과 도로에 대해 각각 예측률을 측정하였다. 또한, 각각 생성된 모델을 6개 실험지역에 적용하여 예측률을 측정하였고 크루스칼 왈리스 검정을 통해 예측률 간의 차이가 통계적으로 유의미한 수준임을 볼 수 있었다.
이 과정에서 대상 지역의 특징에 따라 정확도의 차이가 발생할 수 있으므로 같은 제작자가 편집한 서로 다른 지역에 대한 정확도를 측정하고 통계 검증을 통해 지역의 특징이 제작자 간 차이에 얼마나 영향을 미치는지에 대하여 분석하였다. 그 결과 건물의 경우 지역별로 드러난 정확도의 차이가 통계적으로는 유의미한 수준이 아니었으나, 도로의 경우 일부 지역에서 유의미한 차이가 나타났다. 그러나 지역별로 드러난 차이보다 제작자별로 나타난 차이가 더 크게 나타났으며, 이는 도로객체에 대해서도 제작자별 차이가 발생할 수 있다고 해석할 수 있다. 정성적(시각적) 분석 결과, 건물의 경우 도시지역의 소건물들에서, 도로의 경우 진입로 등의 소로에서 객체의 선택적 삭제에 제작자별 차이가 드러나는 것을 발견할 수 있었다.
또한, 기계학습 기법의 지도 일반화 분야에서의 활용 방안 모색을 위해 도시와 비 도시 지역에 대해 각각 기계학습 모델을 생성하고 예측률을 측정하였다. 그 결과 기계학습 기법을 통해 객체의 선택적 삭제 과정에서 주된 영향을 주는 속성들과 객체 선택에 필요한 설정값들을 확인할 수 있었다. 이를 통해 기계학습 알고리듬이 지도 일반화 과정에서 축소 편집 규정을 보완할 수 있으며, 특징별로 기계학습 기법을 통해 객체의 선택적 삭제에 기초적 활용이 가능함을 보였다.
기계학습 기법의 적용을 통해 지도 제작자 간의 편차를 정량화하는 것에서 나아가 지도 제작 또는 지도 일반화 과정에 대한 검수 프로그램으로써 활용도 기대할 수 있다. 또한, 대상 객체를 확대하고 알고리듬의 예측률을 상승시키면 현재의 지도 축소 편집 과정을 제작자의 개입 없이 자동화가 가능할 것으로 기대된다.MARC 보기
오류 데이터 정정요청
*표시는 필수 입력사항입니다.
알림톡 발송
| 전화번호 |
|---|
개인정보 수정 바로가기
연속간행물 권호 선택
우편복사 안내
- ◾ 도서관을 방문하지 못할 경우 인터넷, 팩스 등으로 자료 복사를 신청하고, 복사물을 우편·팩스 등으로 제공받는 서비스
- ◾ 대상자료: 일반도서, 연속간행물 및 학위논문
- ※ 고서, 고잡지, 훼손될 우려가 있는 자료, 마이크로폼 자료 및 신문 등 제외
- ◾ 신청 책수: 1인 5책 이하(1일 기준)
- ◾ 신청 절차: 자료 검색 → 우편복사 목록담기 → 복사 범위 입력 → 우편복사 주문서 입력 → 접수 및 확인
- ※ 저작권법에 의거하여 부분 복사(전체 페이지 수의 1/3 범위 이내)만 가능
- ◾ 복사 범위 입력 예시: (연속 페이지) 1-30, (부분 페이지) 25, 30-40
| 번호 | 발행일자 | 권호명 | 제본정보 | 자료실 | 원문 | 신청 페이지 |
|---|
도서위치안내(서울관)
도서위치안내: / 서가번호:
0
확인
우편복사 목록담기를 완료하였습니다.
내서재에 담기
새로운 서재
*표시는 필수 입력사항입니다.
저장
저장 되었습니다.