Construction of Training Dataset for Template Matching Using Bi-temporal Aerial Photos

본 연구는 위성영상의 RPC (Rational Polynomial Coefficient) 보정을 위한 GCP (Ground Control Point) 정합 정확도 향상과 딥러닝 학습 데이터셋의 한계 극복을 위해, 이종 시기 항공정사영상을 활용한 패치 생성 및 자동 정제 기반 학습 데이터 구축 방법을 제안한다. 먼저 이종 시기 항공정사영상에서 동일한 특징점을 중심으로 하는 패치쌍을 생성한다. 이후, 다양한 변화 유형과 노이즈 상황을 포함하기 위해 동일한 중심점을 바탕으로 다양한 크기로 잘라 여러 정합 상황을 가진 패치쌍을 생성한다. 생성된 패치쌍들에 대해 ZNCC (Zero-mean Normalized Cross-Correlation) 기법을 적용하고 각 패치에서 도출된 Peak 지점을 비교하여 부적합한 패치를 제거함으로써 정합에 강인한 학습 데이터셋을 구축하였다. 제안된 방법으로 구축된 학습 데이터셋을 이용해 학습한 Siamese U-Net 모델로 항공영상 쌍과 위성영상-항공영상 쌍 각각에 정합을 수행하였다. 그 결과 항공영상 쌍에서는 2.659 화소의 결과를 보인 ZNCC 기법에 비해 2.436 화소로 낮은 RMSE (Root-Mean-Square Error)를 보여 이종시기 항공정사영상 사용의 유효성을 확인하였다. 항공영상-위성영상 쌍에서는 정제 과정을 거친 데이터셋 기반 모델이 1.966 화소로 가장 낮은 RMSE를 기록하였으며, 정제 과정을 거치지 않은 데이터셋은 오히려 성능이 저하되었다. 이는, 이종 시기 항공정사영상을 이용해 다양한 시기적, 구조적 변화를 포함한 학습 데이터셋을 구축하는 것이 딥러닝 기반 정합 정확도 향상에 기여할 수 있음을 시사한다.