데이터융합 및 인공신경망

강의상세

상세검색

언어유형

강의연도

CCL유형

데이터융합 및 인공신경망

충북대학교
송헌수

페이스북 트위터 카카오톡 네이버밴드 링크복사

주제분류

공학 >토목ㆍ도시 >토목공학
강의학기

2026년 2학기

조회수

704

강의계획서: 강의계획서

데이터융합 및 인공신경망 관련 핵심 및 최신 기술들에 대한 리뷰와 실습을 진행한다. 특징점 검출(SIFT, SuperPoint, SuperGlue)과 심층신경망·트랜스포머·자기지도학습의 흐름을 개관한 뒤, 지구관측 파운데이션 모델(AlphaEarth, TESSERA, Clay, Prithvi 등)과 그 임베딩을 다룬 최신 논문을 주차별로 리뷰하고 디스커션한다. 도시 지표 예측, 옥상 태양광 잠재량 평가, 홍수 이벤트 데이터셋, 임베딩의 내재 차원 측정 등 응용 사례를 함께 다룬다. 강의는 영어로 진행한다.

차시별 강의

1.	강의 개요와 원격탐사 딥러닝 개관	1. 강의 목표, 진행 방식, 평가 방법 안내 2. 연구 주제 탐색: 의미 있고 오리지널한 주제를 찾는 전략적 과정 3. 특징점 검출과 매칭: SIFT의 원리와 작동 순서, RANSAC을 이용한 오매칭 제거 4. 딥러닝 기반 매칭: SuperPoint와 SuperGlue 5. 원격탐사 딥러닝 개관: CNN, 어텐션과 트랜스포머, 자기지도학습(MAE·CLIP·DINO), 파운데이션 모델
2.	지구관측 임베딩 기반 도시 지표 예측	1. 위성 기반 Earth embedding이 근린 단위 도시 지표를 얼마나 잘 예측하는지 벤치마크 2. 비교 모델: AlphaEarth(64차원), Prithvi(768차원), Clay(1024차원) 3. 대상 도시: 애틀랜타, 시카고, 휴스턴, LA, 뉴욕, 시애틀 6개 대도시권 (2020-2023) 4. 기존 도시 데이터(센서스·설문·행정자료)의 한계와 임베딩 기반 대안의 가능성
3.	TESSERA: 위성 시계열 임베딩	1. 구름과 불균등 관측으로 불규칙한 Sentinel-1/2 시계열을 그대로 입력해 연 단위 10 m 픽셀 임베딩으로 변환 2. 시간 표본 불변성(temporal sampling invariance)을 자기지도학습으로 학습하는 핵심 철학 3. 기존 원격탐사 파운데이션 모델의 한계: 무운량 합성영상·시간 평균에 의한 계절 정보 손실 4. S1+S2 이중 인코더 구조와 128차원 int8 임베딩
4.	대규모 언어모델의 공간 질의 능력	1. ChatGPT와 Gemini Pro의 공간 질의 응답 정확도를 실험적으로 평가 2. 인접 카운티 정의 두 가지: queen contiguity와 K-5 최근접 이웃 3. 결과: 정확도 49%(Gemini Pro, K-5) ~ 79%(GPT-4, queen), GPT-4가 GPT-3.5·Gemini Pro보다 우수 4. 응답의 사회인구학적·지리적 편향: 도시화율이 높고 내륙인 카운티에서 정확도가 높음 5. Moran's I를 이용한 성능의 공간적 자기상관 분석
5.	도시 규모 옥상 태양광 잠재량 추정	1. 항공영상만으로 도시 규모 옥상 태양광 잠재량을 추정하는 딥러닝 프레임워크 SolarNet+ 2. 기존 연구의 한계: 옥상 부속구조물(superstructure)을 무시해 잠재량을 과대평가 3. 다중과제학습 구조: 지붕 분할 + 지붕 방향 + 부속구조물 분할 동시 수행 4. 건물 모델별 발전 잠재량 차이와 평지붕 오분류 저감 효과
6.	전 지구 옥상 태양광의 기후 완화 잠재력	1. 전 세계 건물 옥상 태양광(RPV)의 기후 완화 잠재력을 정량 평가한 최초의 전 지구 연구 2. 핵심 데이터: 1 km 해상도 전 지구 옥상 면적 지도 (286,393 km²) 3. 방법: Vision Transformer로 1.2 m 고해상도 위성영상에서 옥상 면적 추출 4. 옥상 면적·인구·일사량을 결합한 발전량 및 온실가스 저감량 추정 5. 지역별 기여도와 기후 목표 달성에서의 위치
7.	건물 단위 데이터베이스 기반 옥상 태양광 평가	1. EU 27개국 약 2억 7100만 동 건물의 옥상 태양광 잠재량을 건물 단위로 평가 2. 데이터: European Digital Building Stock Model R2025 (오픈액세스) 3. 결과: 총 잠재 설비용량 2.3 TWp (주거 1,822 GWp + 비주거 519 GWp) 4. 기존 접근의 한계: 국가 단위 집계, OSM 지붕 정보의 낮은 커버리지(약 6%) 5. 정책 배경: EPBD 2024의 solar ready 요건, RePowerEU의 추가 200 GWp 경로
8.	지구 표현의 내재 차원 측정	1. 지리 INR(SatCLIP, GeoCLIP 등) 임베딩이 실제로 담고 있는 독립적 정보량을 내재 차원(Intrinsic Dimension)으로 측정 2. 대상 모델: SatCLIP, GeoCLIP, CSP, SINR, TaxaBind 등 위치 인코더와 이미지 인코더 3. 핵심 발견: 256~512차원 임베딩의 실제 내재 차원은 약 2~10에 불과 4. 대표성: 고정 임베딩의 내재 차원이 높을수록 다운스트림 성능이 높음 5. 라벨 없이 임베딩 자체의 정보 풍부도를 진단하는 지표로서의 의미
9.	뉴스 텍스트 기반 홍수 이벤트 데이터셋	1. 위성 기반 홍수 데이터가 놓치는 소규모·단기 홍수를 뉴스 텍스트로 조밀하게 기록 2. 비정형 텍스트(뉴스 기사)를 시공간 이벤트로 변환하는 파이프라인 구축 3. 규모: 2000년 이후 전 세계 웹 뉴스 약 500만 건을 처리해 약 264만 건의 홍수 기록 생성 4. 데이터 논문으로서의 기여와 기존 홍수 데이터셋과의 상호보완성
10.	지구관측 임베딩의 두 가지 유형	1. 같은 '임베딩'이라도 생성 방식과 사용 방식이 근본적으로 다른 두 패러다임 2. Analysis-Ready Global Embedding: 제공자가 전 지구를 미리 처리해 연 단위 화소별 임베딩을 배포, 사용자는 내려받기만 하면 됨 3. Conditional Embedding: 모델마다 요구하는 입력이 다름 (Presto, Clay 등) 4. 입력 요구사항 비교: 화소 시계열 대 공간 패치, 보조 자료의 범위
11.	지구관측 임베딩의 압축과 양자화	1. 문제 제기: 임베딩이 원본 영상보다 크다 (10 m·1024차원·float32 기준 연간 전 지구 약 6.1 PB) 2. int8 양자화는 사실상 무손실: float32 대비 정확도 차이 ±0.2% 이내, 4배 압축 3. int4도 실용적: AEF와 DINOv3에서 1% 미만 손실로 8배 압축 4. 평가 방법: kNN(k=5, 코사인 거리)과 선형 프로브, EuroSAT 벤치마크 5. 대상 모델: AEF, OlmoEarth, Tessera, DINOv3, ResNet50
12.	AlphaEarth 임베딩의 농업 응용 벤치마크	1. AlphaEarth Foundation(AEF) 임베딩을 농업 원격탐사 과제에 적용해 강점과 약점을 진단 2. 비교 구도: 분석 준비된 파운데이션 모델 임베딩 대 사람이 설계한 전통적 특징공학 파이프라인 3. AEF 임베딩: 10 m 연 단위 64차원, GEE에서 직접 내려받기, 광학·레이더·LiDAR·기후 등 자동 조화 4. 네 가지 평가 축: 국소 평가, 시간적 일반화, 규모 전이, 공간 전이