Super-resolution is the process of restoring detailed information from low-resolution to high-resolution and it is an undetermined computer vision problem. Due to the advent of deep learning, many works on super-resolution has been conducted and the potential has been presented. In particular, surveillance, medical imaging and satellite imaging area demands high-resolution images for their special purposes. Among them, satellite images has difficulties for super-resolution due to immense image size and complex background. In this paper, we proposed 1) targeted-instance dataset by extracting the area of targeted-instance from an entire satellite image and 2) the optimal model for targeted-instance dataset. Targeted-instance dataset which size was shrunk and removed complex backgrounds made learning possible to adopt the state-of-the-art super-resolution models and explore the optimal deep residual model. As the result, targeted-instance dataset presented good or better result than the whole dataset and the proposed deep residual network model by replacing the activation function affected positively on the performance and efficiency.
이미지 초해상도화는 저해상도 이미지를 고해상도로 복원하는 문제로, 디지털 이미징 분야에서 다양한 기법으로 연구되고 있으며 근래 등장한 딥러닝(Convolutional Neural Networks, Deep Residual Networks)을 이용한 초해상도화 학습은 많은 성과 및 가능성을 보여주고 있다. 특히 위성, 의료 및 감시 영상 분야는 고해상도 이미지의 필요로 관련 연구가 활발한데 그 중에서도 위성영상 분야는 일반 이미지와는 달리 이미지 사이즈 및 용량이 큰 데다 복잡한 배경화면 등으로 딥러닝 학습의 어려움이 꾸준히 제기되어 왔다. 본 논문에서는 해당 문제에 대한 어려움을 극복하고자, 위성영상 전체 이미지 대신 고해상도화가 필요한 대상을 특정하고 이 특정된 대상이 포함된 영역만 추출하여 재생성한 데이터셋으로 초해상도를 학습하는 방법을 제시한다. 특정 대상 데이터셋은 사이즈, 용량 및 배경화면의 복잡성이 줄어듬으로써 대표적인 이미지 고해상도화 모델에 대한 적용 뿐 아니라 최적의 이미지 고해상도화를 찾는 연구가 일반 이미지 도메인 영역에서 가능할 수 있도록 한다. 또한 우리는 특정 대상 데이터셋을 활용한 최적의 성능을 발휘하는 심층신경망 구조를 찾기 위해 기존 최고의 성능을 발휘하는 심층신경망 모델 구조에 다양한 변형과 개선을 제안하였다. 실험 수행 결과, 특정 대상 데이터셋만으로도 전체 이미지를 대상으로 실험한 성능과 비슷하거나 좀 더 좋은 성능을 보일 수 있다는 것을 확인하였다. 또한, 본 논문에서 제시한 심층신경망을 개선한 모델이 기존과 비교했을 때 성능 향상 및 효율성에 긍정적으로 작용함을 보였다.
