SAM (OBB) 객체 추출

항공 뷰 이미지 차량 객체 추출 방법론

1. 배경 및 목적

항공 이미지에서 특정 객체(이 경우 차량)를 정확하게 식별하고 추출하는 것은 도시 계획, 교통 관리, 주차 시설 최적화 등 다양한 응용 분야에서 중요한 과제이며, SAM(Segment Anything Model)과 YOLO OBB(Oriented Bounding Boxes)를 결합한 접근 방식을 제안.

2. 방법론

1. SAM을 사용한 이미지 세분화
2. YOLO OBB를 사용한 차량 객체 식별
3. 두 모델의 결과를 결합한 정확한 차량 마스킹

2.1 SAM을 이용한 이미지 세분화

SAM은 이미지 내의 모든 객체를 세그멘테이션하는 데 탁월한 성능을 보이지만 각 세그멘트가 어떤 객체인지 식별하지 않음.

SAM 장점:

• 높은 정확도의 세그멘테이션 제공
• 다양한 크기와 형태의 객체 처리 가능
• 복잡한 배경에서도 객체 구분 능력 우수

2.2 YOLO OBB를 이용한 차량 객체 식별

YOLO OBB는 객체 감지에 특화된 모델로, 특히 회전된 객체를 포함한 바운딩 박스(OBB)를 생성하는 데 효과적.

YOLO OBB 장점:

• 차량과 같은 특정 객체에 대한 높은 인식률
• 객체의 방향을 고려한 정확한 바운딩 박스 생성
• 실시간 처리가 가능한 빠른 속도

2.3 결과 결합 및 차량 마스킹 생성

SAM의 세그멘테이션 결과와 YOLO OBB의 차량 감지 결과를 비교하여 유사도를 측정.
이를 통해 SAM이 생성한 세그멘트 중 실제 차량인 것만 선별 가능.

• SAM의 정확한 세그멘테이션과 YOLO OBB의 객체 식별 능력을 결합하여 시너지 효과 창출
• 오탐지(False Positives) 감소
• 차량이 아닌 객체를 효과적으로 필터링

3. 기대 효과

1. 높은 정확도: 두 모델의 장점을 결합하여 더 정확한 차량 객체 추출
2. 효율성: 불필요한 객체를 사전에 제거하여 후속 처리 과정의 효율성 향상
3. 유연성: 다양한 각도와 크기의 차량을 효과적으로 처리 가능
4. 확장성: 차량 외 다른 객체 추출에도 적용 가능한 방법론

4. 결론

제안된 방법론은 SAM의 강력한 세그멘테이션 능력과 YOLO OBB의 정확한 객체 식별 능력을 결합하여 항공 뷰 이미지에서 차량 객체를 효과적으로 추출 가능.

이 접근 방식은 높은 정확도와 효율성을 제공하며, 다양한 실제 응용 분야에서 활용될 수 있을 것으로 예상됨.