SAM2-based Building Segmentation from Aerial Imagery

최근 초고해상도 항공영상이 대량으로 공급되면서 건물 영역을 픽셀 수준에서 정밀하게 분할하는 수요가 증가하고 있다. 초기의 규칙 기반 방법은 복잡한 도시 환경에서 구조적 한계를 보여, 최근에는 딥러닝 기반 접근이 도입되었다. 그러나 딥러닝은 방대한 고품질 학습 레이블이 필요하여 레이블링 비용이 문제가 되고 있다. 이에 대한 대안으로 SAM (Segment Anything Model)이 주목받고 있는데, SAM은 점·바운딩박스 같은 간단한 프롬프트만으로 학습되지 않은 객체와 지역에 대한 제로샷 분할이 가능하다. 본 연구는 Meta AI에서 개발한 SAM의 후속 모델인 SAM 2를 활용하여 항공영상에서의 건물 분할 성능을 향상시키는 방법론을 제안한다. 사전학습 모델(foundation model)인 SAM 2를 항공영상의 건물 영역이라는 특정 도메인에 최적화하기 위해 파인 튜닝(fine-tuning)을 수행하였으며, 이를 통해 최소한의 사용자 입력만으로도 건물 경계를 분할 할 수 있도록 하였다. 이후, 딥러닝 모델의 예측 결과에서 나타날 수 있는 불연속적인 영역이나 노이즈를 제거하기 위해 Dense CRF (Dense Conditional Random Field) 후처리 기법을 적용하였다. 이러한 2단계 접근법은 픽셀 간의 공간적 일관성을 강화하고 건물 경계의 정밀도를 향상시켜 뛰어난 성능 개선을 달성하였다. 구체적으로 기존 SAM2 모델 대비 IoU (Intersection over Union)는 12.2%, F1-Score는 8.1%, Boundary IoU는 7.6% 향상되었으며, 최종적으로 실제 마스크 데이터와 비교 시 IoU 0.811, F1-Score 0.895의 정확도를 기록하였다.