[논문리뷰] Mask-to-Height: A YOLOv11-Based Architecture for Joint Building Instance Segmentation and Height Classification from Satellite Imagery

링크: 논문 PDF로 바로 열기

저자: Mahmoud El Hussieni, Bahadır K. Güntürk, Hasan F. Ateş, Oğuz Hanoğlu

핵심 연구 목표

도시 계획, 3D 도시 모델링 및 인프라 모니터링에 필수적인 건물 인스턴스 분할 및 높이 분류의 정확도를 높이는 것을 목표로 합니다. 특히, 연속적인 높이 회귀 대신 이산적인 높이 분류 를 통해 실제 도시 계획 요구사항에 더 잘 부합하고 노이즈에 강한 통합 프레임워크를 제시합니다.

핵심 방법론

최신 YOLOv11 아키텍처 를 기반으로 위성 이미지에서 건물 인스턴스 분할과 높이 분류를 동시에 수행합니다. DFC2023 Track 2 데이터셋 의 raw DSM 데이터를 5가지 이산 높이 범주 로 분류하고 YOLOv11 호환 주석 으로 변환하는 전처리 파이프라인을 구축했으며, Focal Loss 와 적응적 클래스 가중치 전략 을 사용하여 클래스 불균형을 완화했습니다.

주요 결과

제안된 모델은 DFC2023 검증 세트 에서 건물 분할에 대해 84.2% mAP@50 및 56% mAP@50–95 의 뛰어난 성능을 달성했습니다. 높이 분류에서는 61.2% mAP@50(B) 및 60.4% mAP@50(M) 을 기록했으며, 특히 전체 데이터셋의 3.1%에 불과한 희귀한 고층 건물(Class 5)에 대해서도 67.5% mAP@50(B) 및 66.7% mAP@50(M) 의 강력한 성능을 보여주었습니다.

AI 실무자를 위한 시사점

YOLOv11 은 복잡하고 대규모의 실시간 지리공간 분석, 특히 도시 매핑에 매우 효과적임을 입증했습니다. 이산적인 높이 분류 접근 방식 은 기존 연속 회귀 방식 대비 노이즈에 강하고 해석 및 배포가 용이한 실용적인 대안을 제공하며, 클래스 불균형 처리를 위한 Focal Loss 및 적응적 가중치 전략 은 실제 데이터셋에서 필수적인 기법입니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.