대한민국 행정구역(SVG) 다운로드

대한민국의 행정구역을 SVG(Scalable Vector Graphics) 형식으로 제공합니다. 연구 목적, 논문 저술 등의 학술 목적 또는 비영리의 개인적인 용도에 비용없이 사용하실 수 있습니다. 단, 반드시 출처는 언급 해야 합니다.

목포시 여수시 순천시 나주시 광양시 담양군 곡성군 구례군 고흥군 보성군 화순군 장흥군 강진군 해남군 영암군 무안군 함평군 영광군 장성군 완도군 진도군 신안군
전라남도 SVG 다운로드

서울특별시 부산광역시 대구광역시 인천광역시 광주광역시 대전광역시 울산광역시 세종특별자치시 경기도 강원도 충청북도 충청남도 전라북도 전라남도 경상북도 경상남도 제주특별자치도
전국시도 SVG 다운로드

중구 동구 서구 남구 북구 수성구 달서구 달성군
대구광역시 시군구 SVG 다운로드

전주시완산구 전주시덕진구 군산시 익산시 정읍시 남원시 김제시 완주군 진안군 무주군 장수군 임실군 순창군 고창군 부안군
전라북도 시군구 SVG 다운로드

반곡동 소담동 보람동 대평동 가람동 한솔동 나성동 새롬동 다정동 어진동 종촌동 고운동 아름동 도담동 조치원읍 연기면 연동면 부강면 금남면 장군면 연서면 전의면 전동면 소정면
세종특별시 읍면동 SVG 다운로드

종로구 중구 용산구 성동구 광진구 동대문구 중랑구 성북구 강북구 도봉구 노원구 은평구 서대문구 마포구 피카추 강서구 구로구 금천구 영등포구 동작구 관악구 서초구 강남구 송파구 강동구
서울특별시 시군구 SVG 다운로드

수원시 장안구 수원시 권선구 수원시 팔달구 수원시 영통구 성남시 수정구 성남시 중원구 성남시 분당구 의정부시 안양시만안구 안양시동안구 부천시 광명시 평택시 동두천시 안산시상록구 안산시단원구 고양시덕양구 고양시일산동구 고양시일산서구 과천시 구리시 남양주시 오산시 시흥시 군포시 의왕시 하남시 용인시처인구 용인시기흥구 용인시수지구 파주시 이천시 안성시 김포시 화성시 광주시 양주시 포천시 여주시 연천군 가평군 양평군
경기도 시군구 SVG 다운로드

동구 중구 서구 유성구 대덕구
대전광역시 시군구 SVG

GeoAI를 이용한 건물과 비닐하우스에 대한 Detection

GeoAI는 공간정보과학(Geospatial Science; Spatial Data Science)과 인공지능(Artificial Intelligence)의 합성어이며, 공간 빅데이터(Spatial Big Data)로부터 유의미한 정보를 도출하기 위해 인공지능 기술(A.I.: Machine Learning, Deep Learning)과 고성능 컴퓨터를 활용하는 분야로써, 이 글은 항공영상으로부터 탐지하고자 하는 객체를 자동으로 획득하는 GeoAI의 한가지 기술 개발을 위해 직접 학습 DB를 구축하고, 실제 딥러닝 학습을 통한 도출된 모델을 이용하여 테스트한 내용을 소개합니다.

항공영상으로부터 탐지하고자 하는 객체는 건물과 비닐하우스로 정하고, 이 두가지에 대한 학습 DB인 레이블 데이터를 구축하고, 구축된 학습 데이터를 이용해 Detection에 대한 신경망 모델인 Faster R-CNN을 학습시켰습니다. 구축 건수는 건물와 비닐하우스에 대해 각각 6000개, 2000개이고, 레이블 데이터 구축 툴은 아래의 글에서 소개한 GeoAI Labeling Tool입니다.

GeoAI Labeling Tool 소개

총 35 Epoch만큼 학습된 모델을 이용해 항공영상을 테스트했으며, 그 중 테스트한 순서대로 3개정도의 이미지만을 언급하면 다음과 같습니다. 참고로 Class1은 건물, Class2는 비닐하우스입니다.

모델 성능 검증을 위해 소량의 데이터와 작은 반복의 학습했으므로, 높은 정확도를 기대한 것은 아니지만, 소량의 학습 DB임에도 상당수의 건물(Class1) 또는 비닐하우스(Class2)에 대해서 종류별로 검출이 되는 것을 볼 수 있습니다. 하지만 3번째 이미지를 보시면, 좌상단 부분의 건물 몇개가 검출되지 않는 결과를 볼 수 있습니다.

해서, 3번 이미지 중 검출되지 않는 부분만을 짤라내어 다시 검출을 시도해 보면 다음처럼 검출되는 것을 볼 수 있었습니다.

실제 프로젝트에서는 더 많은 수의 학습 데이터를 구축하고, 이를 다시 데이터 증강기법을 이용한 보강을 통해 더욱 높은 포퍼먼스를 얻을 수 있습니다. 또한 Faster R-CNN 보다는 항공영상에서의 건물 등과 같은 객체 탐지를 위한 더 나은 모델을 활용하는 것이 옳을 것입니다. 즉, Faster R-CNN처럼 먼저 영역(Region)을 추출하고, 이 영역에 대한 분류(Classification)을 수행하는 방식이 아닌, 픽셀 단위로 바로 분류 하는 모델이 정확성과 업무의 응용성이 더 높을 것입니다. 물론 Faster R-CNN의 장점은 정확한 학습 DB를 빠르게 구축할 수 있다는 장점이 있으므로 적용하고자 하는 분야에 따라 신경망 모델을 결정해야 할 것입니다. 아울러 학습 DB 구축에 대해 덧붙이자면 건물이나 비닐하우스 등은 지역과 계절에 따라 그 형상 및 색감이 다르므로 계절별로, 또 보다 더 넓은 지역을 범위로 해야 합니다.