건물 윤곽 추출, 이제 몇 줄 코드로 시작한다: GeoAI building footprint extraction tutorial
항공사진에서 건물 하나하나의 윤곽을 추출하는 작업은 도시 계획, 재난 대응, 인구 추정 등에 필수적이지만, 그동안은 숙련된 작업자의 수동 디지타이징이나 복잡한 딥러닝 파이프라인 구축이 필요했다. 최근 공개된 GeoAI building footprint extraction tutorial은 이러한 진입 장벽을 크게 낮추는 워크플로를 제시한다. 이 튜토리얼은 고해상도 NAIP 항공 영상에서 U-Net, Grounding DINO, SAM, Mask R-CNN을 조합해 건물 윤곽을 추출하는 전 과정을 하나의 패키지로 통합해 보여준다.
달라진 워크플로: 단일 패키지로 엮은 지리공간 딥러닝
GeoAI는 PyTorch, Transformers, PyTorch Segmentation Models, torchange 같은 AI 프레임워크와 리프맵·Leafmap 시각화 도구를 하나로 묶은 파이썬 패키지다. 연구자가 위성·항공 영상을 검색해 다운로드하는 단계부터, 이미지 칩과 레이블을 자동 생성해 모델을 훈련시키고 그 결과를 QGIS에서 바로 확인하는 단계까지, 모두 최소한의 코드로 실행할 수 있도록 설계되었다1. 나아가 QGIS 플러그인을 활용하면 코드 작성 없이도 데스크톱 환경에서 AI 기반 지리공간 워크플로 전체를 구동할 수 있다1.
이 튜토리얼이 주목받는 진짜 이유는 단순히 여러 모델을 나열한 데 있지 않다. 광학 영상이 도심 밀집 지역에서 겪는 그림자와 배경 혼란 문제를 정면으로 다루고, 그 해결책으로 USGS 3DEP 라이다 데이터를 결합해 정밀도를 끌어올린다는 점이 핵심이다. 휴스턴 지역 테스트에서 NAIP의 4밴드(RGB+NIR)에 라이다 고도·강도 밴드를 추가한 6밴드 입력 모델은 F1 점수 0.87, IoU 0.76을 기록해 4밴드 기준 모델을 확실히 앞질렀다2. 라이다 기반의 지형적 특징을 광학 정보와 결합하면 그림자와 복잡한 배경으로 인한 오탐지를 줄이고 개별 건물의 분리도를 높일 수 있기 때문이다2.
어떤 모델을 써야 할까: 분할 방식과 출력 형식의 이해
건물 추출 딥러닝 모델은 크게 의미론적 분할과 인스턴스 분할로 나뉜다. U-Net처럼 픽셀 단위로 건물과 배경을 분류하는 의미론적 분할 방식은 처리 속도가 빠르지만, 건물이 밀집한 지역에서는 개별 객체를 분리하지 못할 수 있다. 반면 Mask R-CNN은 객체마다 경계 상자와 마스크를 함께 예측하므로 대규모 도시 영상에서 개별 건물 폴리곤을 뽑아내는 데 더 적합하다3. 이 튜토리얼에서는 U-Net을 ResNet-34 백본으로 훈련시켜 의미론적 분할의 기준선을 제공하고, 여기에 Grounding DINO와 SAM을 조합해 프롬프트 기반 탐지·세그멘테이션을 수행함으로써 별도 훈련 없이 빠르게 프로토타입을 얻는 경로까지 보여준다.
한 단계 더 정밀한 폴리곤이 필요할 때는 Poly R-CNN을 고려할 수 있다. Poly R-CNN은 Mask R-CNN 구조에 정점 제안 네트워크(VPN)와 빠른 가장자리 추적 알고리즘을 더해, 곧은 모서리와 날카로운 꼭짓점을 갖춘 정규화된 건물 폴리곤을 직접 추출하는 모델이다3. 과거에는 전문가가 스펙트럼·공간·질감 특징을 수동으로 설계했지만, 촬영 조건이나 배경이 달라지면 이러한 규칙 기반 방식은 일반화되기 어려웠다3. 오늘날의 접근법은 이처럼 상황에 맞는 분할 전략을 선택할 수 있게 함으로써 프로젝트의 성격과 요구 정밀도에 따라 워크플로를 최적화할 수 있도록 돕는다.
이 튜토리얼에서 얻을 수 있는 것
결국 이 튜토리얼이 전하는 핵심은 세 가지다. 첫째, NAIP 항공 영상과 라이다 데이터를 결합하면 도심 그림자와 배경 혼란으로 인한 오탐지를 크게 줄일 수 있다는 점2. 둘째, GeoAI 패키지와 QGIS 플러그인을 통해 코딩 전문 지식 없이도 AI 기반 지리공간 워크플로를 데스크톱에서 실행할 수 있다는 점1. 셋째, 프로젝트의 목적에 따라 U-Net, Mask R-CNN, Poly R-CNN 중 어떤 정밀도와 출력 형식이 필요한지 명확히 판단해야 한다는 점이다. 건물 윤곽 추출은 더 이상 소수 연구실의 전유물이 아니다. 하나의 패키지와 잘 정리된 튜토리얼을 기점으로, 도시 변화 탐지부터 재난 피해 평가까지 실제 문제에 바로 적용할 수 있는 단계에 접어들었다.
참고
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.