위성영상 분석은 도시 계획, 재난 대응, 원격탐사 분야에서 이제 필수적인 도구가 되었습니다. 이 영역에서 가장 복잡하면서도 중요한 작업 중 하나는 도로를 추출하는 일입니다. 특히 전통적인 포장 고속도로가 아니라 비포장도로, 산악 트레일, 참호, 또는 임시 진입로와 같은 불규칙한 경로를 다룰 때 그 난이도는 더욱 높아집니다.
최신 시맨틱 세그멘테이션 모델은 도시 도로 탐지에서 뛰어난 성과를 거두고 있지만, 위성영상에서 가늘고, 형태가 다양한 도로를 추출하는 일은 여전히 큰 과제로 남아 있습니다.
본격적인 논의에 앞서, 먼저 과거 관련 사례를 다시 살펴보겠습니다. 바로 항공 사진에서의 포장 도로 검출 작업입니다.
이 경험은 데이터 어노테이션 전략, 모델 선택, 후처리 기법, 그리고 특히 가늘고 복잡한 경로 구조를 위한 증강 방식까지 현재 워크플로의 여러 요소에 중요한 영향을 주었습니다.
가느다란 도로 추출이 어려운 이유
많은 합성곱 신경망(CNN)은 데이터를 처리하는 과정에서 풀링이나 스트라이드 합성곱을 통해 이미지 해상도를 점진적으로 낮춥니다. 이러한 방식은 넓은 시각적 맥락을 포착하는 데는 효과적이지만, 미세한 디테일이 손실되는 경우가 많습니다. 그 결과, 좁은 산길이나 참호, 작은 진입로 같은 섬세한 특징은 후반 레이어에서 완전히 사라질 수 있으며, 모델이 이러한 미묘한 경로를 식별하거나 분할하기가 어려워집니다.
넓고 시각적으로 일관된 도시 도로와 달리, 자연 지형의 비정형 도로는 시각적 특성의 변동 폭이 매우 큽니다. 비포장도로, 산악 트레일, 참호와 같은 표면은 색상, 질감, 주변 맥락에서 큰 차이를 보일 수 있으며, 때로는 주변 지형에 자연스럽게 섞이거나 식생 및 암반 지형과 유사하게 보이기도 합니다. 이러한 예측하기 어려운 변화는 전통적인 컴퓨터 비전 기법에 큰 도전이 되며, 이런 환경에서 도로를 안정적으로 식별하는 일을 특히 어렵게 만듭니다.
현재의 AI 기반 도로 탐지 솔루션은 대체로 표준적이고 명확한 포장도로를 중심으로 최적화되어 있습니다. 이러한 모델은 특징이 비교적 뚜렷하고 일관된 도시 인프라를 항공 또는 위성영상에서 식별할 때 좋은 성능을 보입니다. 하지만 실제 위성영상 분석에서의 도로 추출은 훨씬 더 복잡합니다. 군사용 참호, 험준한 산악 통로, 임시 비포장 트랙 같은 모호한 경로는 범용 모델에 훨씬 더 큰 도전 과제가 됩니다. 이러한 불규칙한 경로는 주변 환경과 자주 뒤섞이며, 식생, 토양 구성, 날씨 변화 등 계절적·환경적 요인의 영향을 크게 받습니다. 이러한 문제를 해결하려면 대상 특징을 효과적으로 추출할 수 있도록, 맞춤형 신경망 아키텍처와 맥락을 반영해 정교하게 준비된 데이터셋이 필요합니다.
또한 이러한 비정형 도로는 희미하거나, 끊겨 있거나, 매우 가는 경우가 많아 일반적인 픽셀 기반 세그멘테이션 방식으로는 추적하기 어렵습니다. 지형 장애물과 미세한 시각 단서는 모델의 예측을 쉽게 방해하여, 후속 처리에서 문제가 되는 빈틈이나 단절을 만들어낼 수 있습니다. 포장도로뿐 아니라 참호, 임시 경로, 거친 산길까지 정확히 식별하려면 일반적인 기성 솔루션만으로는 충분하지 않습니다. 성공적인 결과를 위해서는 맞춤형 프로세스가 필요합니다. 여기에는 대표성이 낮은 경로 유형에 대한 정밀한 데이터 수집과 전문가 어노테이션, 연결성과 형태를 보존하기 위한 특화 손실 함수, 그리고 약하거나 끊어진 구조를 복원·정제하기 위한 고급 후처리가 포함됩니다. 이러한 정교하고 포괄적인 접근은 복잡하고 까다로운 원격 도로 추출 분야에서 신뢰할 수 있는 결과를 얻는 데 매우 중요합니다.
여기에 더해, 비정형 경로는 그림자, 식생, 또는 인공 구조물에 의해 자주 끊겨 보입니다. 일반적인 도로는 대체로 시야에 잘 드러나고 장애물이 적지만, 이러한 비정형 경로는 울창한 수풀, 떨어진 가지, 암반 돌출부, 또는 조명 조건이나 시간대에 따라 달라지는 그림자 패턴 같은 자연 요소에 의해 자주 가려집니다. 임시 건물이나 반영구적 구조물도 눈에 보이는 도로를 여러 조각의 분리된 구간으로 나눌 수 있어, 수작업 어노테이션과 자동화된 머신러닝 모델 모두에 추가적인 어려움을 줍니다. 이러한 빈번한 연속성 상실은 자동화 시스템이 완전히 연결된 도로망을 재구성하는 능력을 떨어뜨립니다.
마지막으로, 참호나 비정형 경로처럼 세밀한 라벨이 포함된 데이터셋은 매우 드뭅니다. 따라서 많은 조직이 처음부터 자체 데이터를 수집하고 어노테이션해야 하는 경우가 많습니다. 공개 데이터셋의 대부분은 도시 도로와 계획된 인프라에 초점을 맞추고 있어, 비포장 또는 불규칙한 경로는 거의 충분히 포함하지 못합니다. 수작업 어노테이션은 특히 대상 특징이 희미하거나 모호하고, 배경 잡음과 밀집해 있을 때 매우 어렵고 시간이 많이 듭니다. 그 결과, 팀은 대개 특화된 어노테이션 프로토콜을 마련하고, 여러 분야의 전문성을 결합하며, 다양한 데이터 소스를 활용해 충분한 학습용 정답 데이터를 구축합니다. 이러한 과제는 데이터 증강과 협업 라벨링 모두에서 창의적인 전략을 요구하며, 제한적이거나 변동성이 큰 학습 데이터만으로도 모델이 강건하게 일반화할 수 있도록 해야 합니다.
모델 아키텍처의 핵심 원칙
시각적 다양성에도 불구하고, 많은 도로형 구조는 위상적·기하학적 특성을 공유합니다.
이러한 구조적 사전 정보를 강조하는 방향으로 모델과 손실 함수를 설계하면, 학습 데이터 이상의 일반화 성능을 기대할 수 있습니다.
워크플로
1. 데이터 준비
- 소스: 고해상도 위성영상 또는 항공영상
- 어노테이션 형식: COCO 스타일 폴리곤 또는 바이너리 마스크( DEEP BLOCK 사용 가능)
- 팁:
- 전체 마스크를 기준으로 어노테이션합니다.
- 포장도로, 농로, 자갈길, 참호 등 다양한 경로 유형이 고르게 포함되도록 구성합니다.
- 어노테이션 도구 사용법에 대한 자세한 안내는 다음에서 확인할 수 있습니다: deepblock.net/product/manual
2. 권장 아키텍처:
| 모델 | 사용 이유 |
|---|---|
| HRNet | 전 구간에서 고해상도 특징을 유지하므로 가는 객체에 적합함 |
| DeepLabv3+ | ASPP를 활용한 멀티스케일 문맥 추출로 다양한 도로 크기를 처리할 수 있음 |
| SegFormer / Swin-Unet | Transformer 백본이 장거리 의존성 모델링을 향상시킴 |
| UNet++ with attention | 특징 융합이 강화되어 맞춤형 경량 애플리케이션에 유용함 |
3. 손실 함수 설계
도로 추출은 단순한 분류 정확도의 문제가 아니라, 형태와 연결성을 보존하는 것이 핵심입니다.
권장 손실 함수:
- Dice Loss + Binary Cross-Entropy (BCE): 세그멘테이션을 위한 기본 조합
- Centerline Loss: 모델이 중심축을 포착하도록 유도
- Topological Loss (예: Soft-Skeleton, TOEL): 연결성을 강제함
- Affinity Field Loss: 특히 가는 객체 주변의 경계 정밀도를 향상시킴
4. 데이터 증강
보지 못한 경로 유형까지 일반화하려면, 강력한 증강이 필수적입니다.
- 광도 기반 증강: 랜덤 밝기, 대비, 그림자, 블러, 가우시안 노이즈
- 기하학적 증강: 랜덤 크롭, 회전, elastic transform, perspective warp
- 가림(occlusion): 가지, 차량, 구름 등이 경로를 가리는 상황을 시뮬레이션
5.Post-processing
세그멘테이션 모델의 예측 결과에는 노이즈나 끊어진 구간이 포함될 수 있습니다. 특히 폭이 좁은 비포장도로, 산악 트레일, 참호는 일부 픽셀만 누락되어도 경로의 연결성이 크게 훼손됩니다. 따라서 후처리에서는 단순히 마스크를 매끄럽게 만드는 것보다, 실제 경로의 형태와 연결성을 보존하면서 오류를 줄이는 데 집중해야 합니다.
- 형태학적 연산: 닫힘 연산(closing)을 적용해 마스크 내부의 작은 빈틈이나 짧은 단절을 보완합니다. 이후 세선화(thinning) 또는 골격화(skeletonization)를 활용하면 도로 영역을 중심선 형태로 정리할 수 있습니다. 다만 구조 요소의 크기가 지나치게 크면 서로 다른 인접 경로가 합쳐질 수 있으므로, 영상 해상도와 대상 도로의 폭에 맞게 조정해야 합니다. 작은 연결 요소를 제거할 때도 실제로 고립된 짧은 경로가 삭제되지 않도록 주의합니다.
- 그래프 재구성: 골격화한 마스크에서 끝점과 교차점을 추출하고, 이들을 잇는 선분을 구성해 도로망을 그래프로 표현합니다. 이를 벡터 경로로 변환하면 경로 길이 측정이나 연결성 분석 등 후속 작업에 활용할 수 있습니다. 끊어진 구간은 끝점 사이의 거리뿐 아니라 진행 방향, 주변 영상의 특징, 모델의 예측 확률을 함께 고려해 연결 여부를 판단합니다. 가까이 있다는 이유만으로 연결하면 실제로 존재하지 않는 지름길이나 교차로가 만들어질 수 있습니다.
- 신뢰도 임곗값 조정: 예측 확률을 바이너리 마스크로 변환하는 임곗값이 너무 높으면 희미하고 가는 경로가 사라지고, 너무 낮으면 배경 잡음이 도로로 포함될 수 있습니다. 검증 데이터에서 여러 임곗값을 비교하며 경로 검출률과 오탐 사이의 균형을 찾습니다. 필요하다면 높은 신뢰도의 경로를 기준으로, 그와 연결된 낮은 신뢰도 구간을 선택적으로 포함하는 방식도 고려할 수 있습니다. 임곗값 조정과 별개로, 과도한 평활화는 가는 구조를 지울 수 있으므로 보수적으로 적용합니다.
후처리 결과는 원본 영상과 중첩해 확인하고, 픽셀 단위 정확도뿐 아니라 중심선의 연속성, 교차점 보존 여부, 잘못 연결된 구간도 함께 점검합니다. 핵심은 모든 단절을 무조건 메우는 것이 아니라, 영상에서 확인할 수 있는 근거를 바탕으로 연결성을 복원하는 것입니다.
✅ Summary
비포장도로, 참호, 산악 트레일까지 식별하는 도로 추출 모델을 구축하는 일은 쉽지 않습니다. 하지만 대상 경로의 특성에 맞춰 데이터와 모델, 학습 전략을 설계하면 이러한 과제에 효과적으로 접근할 수 있습니다. 핵심 원칙은 다음과 같습니다.
- 구조적 특성 반영: 경로의 가늘고 긴 형태와 연결성을 모델 설계 및 학습에 반영합니다.
- 멀티스케일·고해상도 아키텍처 활용: 미세한 경로의 세부 특징과 넓은 주변 맥락을 함께 포착합니다.
- 위상 구조를 고려한 손실 함수 설계: 픽셀 단위 정확도뿐 아니라 도로의 연속성과 연결 관계를 보존하도록 학습을 유도합니다.
- 범주화: 하나의 도로 클래스로 모든 종류의 도로를 추출하는 것보다, 비포장도로, 포장도로, 참호 등 다양한 종류의 길을 범주화하여 훈련시키는 것이 모델의 성능을 높이는 데 도움이 될 수 있습니다.