Comparison of U-Net’s building detection performance according to spatial data augmentation methods

건물은 지붕 색상과 규모가 다양하고 옆면이 노출되어 경계 인식이 어려워, 원격탐사 영상에서의 의미론적 분할에는 많은 학습데이터가 요구된다. 그러나 대규모 데이터를 확보하기 어려운 현실을 고려하여, 본 연구는 데이터 증강 기법을 통해 학습데이터 부족 상황에서 모델 정확도를 향상시키는 방안에 관한 연구가 필요하다. 이를 위해, Rotation, Flipping, Mosaic(무작위·균등 크기), MixUp, Copy and paste 등 주요 공간적 증강 기법을 적용하고, MobileNet 기반 U-Net 모델을 통해 탐지 정확도를 비교하였다. 실험 결과, Random-sized mosaic와 Copy and paste 기법은 f1-score 기준 최대 약 1.35%, 1.29%의 정확도 향상을 보였으며, 특히 Random-sized mosaic 증강법의 경우, 증강 데이터의 양과 긍정적인 상관성이 있는 것으로 확인하였다. 본 연구는 건물 추출이라는 특수한 의미론적 분할 과제에서 다양한 증강 기법의 효용과 한계를 실험적으로 검증하였으며, 향후 더 많은 증강 기법과 의미론적 분할 모델을 적용함으로써 학습데이터 부족 문제에 대한 일반화된 지침을 제시할 수 있을 것으로 기대한다.