지도를 더 똑똑하게: 하늘 사진과 딥러닝으로 OSM 도로 포장 상태를 자동 분류했다

도시를 달리는 내비게이션은 속도 제한만 아는 게 아니다. 비가 오거나 눈이 내릴 때, 비포장길과 아스팔트의 차이는 경로 선택과 안전에 직결된다. 하지만 누구나 편집하는 오픈스트리트맵(OSM)의 ‘surface’ 표기는 지역과 시기에 따라 비어 있거나 들쭉날쭉하다. 연구팀은 이 빈틈을 채우기 위해 하늘에서 내려다본 항공영상과 딥러닝을 결합, 도로 표면(아스팔트·콘크리트·자갈·흙)을 자동으로 분류하는 모델을 만들었다. 이름하여 MaskCNN + 주의(attention) + 계층형 손실 조합. 최종 성적은? 전체 정확도 92.3%, mIoU 83.7%. 기존 전통 기법과 딥러닝 베이스라인을 모두 넘어섰다.

왜 이 연구가 중요할까

OSM은 전 세계 길 정보를 담는 공공 인프라다. 그러나 표면 태그는 사용자 기여에 의존해 빠지거나 오래된 경우가 많다. 내비게이션·자율주행·도시 인프라 계획에는 최신·정확한 표면 정보가 필요하다. 연구팀은 “OSM 도로 표면 데이터는 중요하지만 종종 불완전하고 일관되지 않다”고 짚으며, 고해상도 항공영상과 딥러닝으로 자동 검증·분류 파이프라인을 제안했다. 한마디로, 하늘 사진으로 지도의 빈 칸을 메우겠다는 전략이다.

어떻게 만들었나: 데이터에서 모델까지

데이터

미국 농업청의 NAIP 항공영상(RGB+NIR, 1m 해상도)과 OSM의 표면 라벨을 정합했다. 라벨 청소, 기하 보정, 패치 추출, 증강(회전·뒤집기·밝기·가우시안 노이즈), 정규화, 클래스 불균형 보정까지 전처리를 촘촘히 수행해 학습용 패치를 만들었다. 또한 OSM 라벨 누락·충돌 비율을 계량적으로 점검해 군데군데 비어 있거나 상충하는 현실을 수치로 확인했다.

모델

인코더는 ResNet-50에 Squeeze-and-Excitation(SE) 블록을 얹어 길의 핵심 특징을 뽑아내고, 디코더는 U-Net 스타일에 공간 어텐션과 멀티스케일 융합을 더해 미세한 경계까지 세밀하게 분할한다.

손실 함수

이 연구의 ‘비밀 소스’는 계층형 손실(Hierarchical Cross-Entropy). 서로 헷갈리기 쉬운 쌍(예: 콘크리트↔자갈)은 벌점을 낮추고, 전혀 다른 쌍(아스팔트↔흙)은 더 강하게 패널티를 주는 방식이다. 여기에 Focal Loss로 어려운 샘플 가중을 높이고, IoU Loss로 분할 정합을 챙겼다. 간단히 말해, “비슷한 건 관대하게, 다른 건 엄격하게” 학습시킨 셈이다. 또한 클래스 간 의미 거리 가중이 테이블로 정의돼 있다.

무엇이 나왔나: 성능과 해석

숫자로 본 성과

정확도 92.3%, mIoU 83.7%. SVM(81.2%), 랜덤포레스트(83.7%), U-Net(89.6%, mIoU 80.5%)보다 앞섰다. COANet·SA-UNet·MMFFNet 등 최신 모델군과 비교해도 한 수 위의 지표를 보였다.
5겹 공간 블록 교차검증에서도 정확도 91.5~~92.3%, mIoU 82.4~~83.7%로 편차가 작았다. 과적합 방지를 위한 얼리 스톱과 스케줄링이 안정적 일반화에 기여했다.

클래스별 성능

아스팔트와 콘크리트처럼 매끈한 표면은 물론, 자갈과 흙처럼 질감이 비슷해 헷갈리기 쉬운 비포장도 비교적 잘 잡았다(예: 자갈 F1 87.6%, 흙 F1 84.4%). “거칠수록 어렵다”는 통념을 감안하면 인상적인 수치다.

왜 잘 되었나

핵심은 데이터-아키텍처-손실의 삼각 편성이다. (1) 라벨 정제·증강·클래스 밸런싱으로 데이터 질을 끌어올렸고, (2) SE-ResNet50 + 어텐션 U-Net으로 길의 맥락과 경계를 동시에 잡았으며, (3) 계층형·Focal·IoU 손실로 “헷갈림”과 “불균형”, “정합성”을 각각 공략했다. 결과적으로 “항공영상+딥러닝+OSM”의 결합이 시너지를 냈다.

NAIP 영상이 다양한 도로 표면을 보여주는 예시.

현장에서 어디에 쓰일까

연구팀은 이 모델이 OSM 자동 보정, 인프라 모니터링, 자율주행 경로 계획 등 실전 응용에 바로 들어갈 수 있다고 강조한다. 단, OSM 라벨 노이즈와 클래스 불균형은 언제나 과제다. 향후 반(半)지도 학습, 멀티모달(예: LiDAR/SAR/GPS) 통합으로 보완하면 더 넓은 지역과 조건에서 견고해질 전망이다.

한 걸음 더: 이 연구가 남긴 의미

지도는 단지 위치의 목록이 아니라 ‘통행 가능성’의 지도다. 포장 상태는 재난 시 구호 경로, 농촌·저개발 지역의 접근성, 도시 열섬과 배수 계획까지 광범위한 의사결정에 관여한다. 이 연구는 공짜로 쓸 수 있는 항공영상과 열린 지도를 학습연료로 삼아, 공공데이터의 빈 곳을 기계가 메우는 방식을 실증했다. 정확도 한 자릿수 개선이 현장에선 생명과 시간으로 환산되기도 한다. “사진 한 장이 길 사정을 말해줄 수 있는가?”라는 물음에, 이 모델은 “충분히!”라고 답한다.

연구 한눈에 보기

문제: OSM 도로 표면 태그의 누락·불일치
데이터: NAIP 항공영상 + OSM 라벨(정합·전처리·증강·밸런싱)
모델: SE-ResNet50 인코더 + 어텐션 U-Net 디코더
손실: 계층형 + Focal + IoU(유사 클래스 관대, 이질 클래스 엄격)
성능: 정확도 92.3%, mIoU 83.7%(SVM·RF·U-Net 및 최신 모델 대비 우위)
의의: 공공 영상·열린 지도 결합으로 자동화된 표면 분류 파이프라인 제시

결론

하늘에서 본 픽셀을 도로의 질감으로 바꾸는 기술은 이제 연구실의 데모를 지나 실전에 닿았다. MaskCNN과 어텐션, 계층형 손실의 조합은 “헷갈림”을 줄이고 “일반화”를 키웠다. 지도는 결국 사람을 돕기 위해 진화한다. 이 모델은 그 진화의 속도를 한 단계 끌어올린 사례다. 다음 과제는 더 다양한 계절·지역 데이터, 멀티모달 통합, 해석가능성 향상. 그 방향으로 한 걸음씩 더 나아간다면, 내비게이션이 ‘지금 이 길이 과연 괜찮을까?’라는 질문에도 자신 있게 답하는 날이 올 것이다.

출처논문

Parvathi, R., Pattabiraman, V., Saxena, N., Mishra, A., Mishra, U., & Pandey, A. (2025). Automated road surface classification in OpenStreetMap using MaskCNN and aerial imagery. Frontiers in Big Data, 8, 1657320. https://doi.org/10.3389/fdata.2025.1657320