딥러닝은 원격탐사 영상에서 건물 추출을 위한 효과적인 방법을 제공하지만, 학습 데이터(소스 도메인)와 테스트 데이터(타겟 도메인)의 분포가 다를 경우 소스 도메인에서만 학습된 모델을 타겟 도메인에 직접 적용하면 정확도가 크게 저하된다. 건물 도메인 적응 추출 방법은 도메인 간 데이터 분포 차이를 극복하여 다양한 환경에서 건물 정보 인식 능력을 향상시킬 수 있다. 건물 도메인 적응 추출에서 타겟 도메인 레이블 획득의 어려움과 높은 주석 비용, 그리고 현재 방법들이 건물의 불변 특성을 충분히 이용하여 도메인 간 일관성 제약을 제공하지 못하는 문제를 해결하기 위해 본 논문에서는 형태 및 위치 사전 정보에 기반한 원격탐사 영상 건물 도메인 적응 추출 방법을 제안한다. 먼저, 건물 지수, 해리스 등의 방법을 종합적으로 이용해 타겟 도메인 건물 코너점을 자동 추출하고, 영상 형태학 방법을 사용해 소스 도메인 레이블 건물 경계를 추출하여 두 도메인의 형태 사전 정보로 활용한다. 이후 가우스 변환 기반 위치 사전 정보 추출 방법을 설계하여 타겟 도메인 OSM 객체와 소스 도메인 레이블 객체를 각각 이중 도메인 위치 사전 정보로 변환한다. 마지막으로, 상기 형태 사전 정보를 활용해 형태 손실 함수를 구성하고 두 도메인 건물 객체에 대한 학습 제약을 제공함과 동시에, 이중 도메인 위치 사전 정보를 독립적인 추가 채널로 영상 레이어에 합성하여 4채널 입력을 구성해 타겟 도메인 건물 정보를 풍부하게 하였으며, 적대적 학습 기반 건물 도메인 적응 추출 모델 AU_AdaptNet을 설계하였다. 실험 결과 본 방법은 도메인 적응을 거치지 않은 기본 모델 대비 IoU 지표가 15% 향상되었으며, 사전 정보 유도 없는 도메인 적응 모델 대비 6% 향상되었고, 타겟 도메인에 OSM 데이터가 없는 경우에도 형태 사전 정보 유도만으로 건물 도메인 적응 추출 정확도를 높일 수 있었으며, 타겟 도메인 OSM 데이터 완성도가 낮은 조건에서도 고품질 타겟 도메인 레이블을 이용하는 반지도 학습 도메인 적응 방법과 유사한 성능을 나타냈다.

건물 추출; 도메인 적응; 원격탐사 영상; 사전 정보; OSM