🎬 1분 브리핑 영상
📌 3줄 요약
- 영상 분류·객체 탐지·의미론적 분할은 각각 '무엇인가·어디 있나·어디까지인가'에 답한다.
- 세 기법은 산출물 형태가 다르므로 재난 판독 목적에 맞게 골라야 한다.
- 목적 없이 정확도만 높은 모델을 쓰면 실무에서 쓸 수 없는 결과가 나온다.
홍수가 지나간 뒤 위성사진을 열어 두고 "이 사진에 딥러닝을 쓰면 침수 면적을 자동으로 뽑을 수 있지 않을까?"라는 생각을 해본 적 있으신가요? 맞습니다. 할 수 있습니다. 그런데 딥러닝으로 위성영상을 분석하는 방법이 한 가지가 아니라는 점이 금방 벽이 됩니다.
영상 분류(Image Classification), 객체 탐지(Object Detection), 의미론적 분할(Semantic Segmentation). 이름은 비슷해 보이지만 각각이 답하는 질문이 다르고, 결과물의 생김새도 전혀 다릅니다. 어떤 걸 써야 할지 모르고 모델을 돌리면, 정확도는 높아도 실제 업무에 붙이기 어려운 결과가 나옵니다. 이번 글에서는 세 기법이 각각 어떤 질문에 답하는지, 재난 판독 상황에서 무엇을 골라야 하는지를 원리부터 차근차근 짚어 보겠습니다.
🖼️ 영상 분류는 어떤 질문에 답하나요?
영상 분류는 사진 한 장(또는 타일 한 조각)을 보고 "이게 뭐야?"라는 질문에 레이블 하나로 답합니다. 예를 들어 위성영상을 256×256 픽셀짜리 조각으로 잘라 낸 뒤, 각 조각에 '침수됨' 또는 '정상'이라는 꼬리표를 붙이는 방식입니다. 산출물은 조각마다 붙는 클래스 이름과 확률 숫자 하나입니다. 공간적으로 보면 조각 전체를 하나로 취급하기 때문에, 침수 영역이 정확히 어디에서 어디까지인지는 알 수 없습니다. 구현 난도가 가장 낮고 학습 데이터도 가장 적게 필요하다는 장점이 있습니다. 재난 판독에서는 "이 타일이 산사태 영향권에 드는가?"처럼 빠른 1차 선별이 필요할 때 유용합니다. 다만 이후에 행정 구역 면적이나 피해 지도를 만들려면 다른 기법이 추가로 필요합니다.
📦 객체 탐지는 영상 분류와 어떻게 다른가요?
객체 탐지는 "이게 뭐야?"에 더해 "어디 있어?"까지 한꺼번에 답합니다. 결과물은 사각형 박스(바운딩 박스)와 그 안에 담긴 클래스 이름, 신뢰도 점수입니다. 위성영상에서 이재민 임시 텐트, 고립된 차량, 무너진 건물 한 채 한 채를 찾아내는 데 적합합니다. 단, 박스는 사각형이기 때문에 범람 경계나 산불 연소 경계처럼 불규칙한 면적을 정밀하게 표현하기는 어렵습니다. 또한 같은 크기로 찍힌 객체끼리는 잘 잡아내지만, 건물이 빽빽이 붙어 있으면 박스끼리 겹쳐 개수 집계가 틀릴 수 있습니다. 재난 현장에서는 피해 건물 수를 신속하게 세야 할 때 이 기법을 선택합니다. 결과 박스를 GIS 소프트웨어에서 불러와 건물 레이어와 공간 조인하면 피해 건물 목록을 자동으로 뽑을 수 있습니다.
🗺️ 의미론적 분할은 어떤 상황에서 써야 하나요?
의미론적 분할은 영상의 모든 픽셀에 클래스 이름을 붙이는 방식입니다. "이 픽셀은 물, 저 픽셀은 도로, 그 픽셀은 건물"처럼요. 결과물은 원본 영상과 크기가 같은 마스크 이미지이고, GIS에서 벡터로 변환하면 침수 면적·산불 연소 면적·산사태 흔적 면적을 제곱미터 단위로 계산할 수 있습니다. 세 기법 중 가장 상세한 공간 정보를 주지만, 그만큼 픽셀 단위 라벨링 데이터가 많이 필요하고 학습 시간도 깁니다. 재난 피해 면적 산출, 대피 우선순위 구역 지도 제작처럼 '경계선이 중요한 업무'에 적합합니다. 홍수 침수 지도나 산불 피해 지도를 공식 보고서에 쓸 때는 이 기법의 결과물이 가장 직접적으로 활용됩니다.
🤔 세 기법 중 무엇을 골라야 할지 어떻게 판단하나요?
목적을 먼저 적어 보는 것이 가장 빠른 판단 방법입니다. "피해 지역인지 아닌지만 알면 된다" → 영상 분류, "피해 건물이 몇 동이고 어디 있는지 알고 싶다" → 객체 탐지, "침수 경계선과 면적이 필요하다" → 의미론적 분할로 연결됩니다. 해봐야 아는 부분이 여기서 생깁니다. 실제로 시험 영상 10~20장을 각 기법으로 돌려 보고, 결과물을 현장 사진이나 피해 보고서와 눈으로 대조해 보세요. 경계선이 실제 침수 경계와 얼마나 맞는지, 건물 박스가 실제 피해 건물을 잡아내는지를 직접 확인하기 전에는 어느 기법이 더 나은지 단정할 수 없습니다. 도구의 버전에 따라 지원 모델 목록이 달라질 수 있으니, 사용하는 라이브러리의 공식 문서에서 최신 모델 목록을 확인하는 것도 잊지 마세요.
🔥 재난 판독 실무에서 세 기법을 어떻게 조합하나요?
실무에서는 한 가지 기법만 쓰는 경우보다 단계별로 조합해 쓰는 경우가 많습니다. 예를 들어 광역 위성영상 전체를 영상 분류로 빠르게 스캔해 피해 가능성이 높은 타일을 걸러낸 뒤, 해당 타일에만 의미론적 분할을 적용해 정밀 경계선을 뽑는 방식입니다. 산불 대응이라면, 연소 경계를 의미론적 분할로 뽑고 그 안에서 잔존 건물을 객체 탐지로 찾아내 대피 지원 우선순위를 정하기도 합니다. 조합 방식은 영상 해상도, 확보할 수 있는 라벨 데이터의 양, 결과를 사용할 부서의 요구 형식에 따라 달라집니다. 한 기법만으로 모든 것을 해결하려 하면 결과물이 현장에서 활용되지 못하는 경우가 많으므로, 최종 산출물 형식(면적 수치인지, 건물 목록인지, 지도 레이어인지)을 먼저 정해 두고 기법을 역순으로 선택하는 것이 실용적입니다.
🖥️ 화면에서 따라하기
- 모델 선택 확인
Roboflow Universe(universe.roboflow.com) 접속 > 검색창에 [flood segmentation] 입력 > 결과 목록에서 Task 필터를 Object Detection / Semantic Segmentation으로 바꿔 가며 결과물 차이 확인 - 샘플 영상 준비
공개 홍수 영상(Copernicus EMS 등 공개 포털)에서 GeoTIFF 1장 내려받기 - 분류 모델 실행
Google Colab 새 노트북 열기 > 셀에 아래 코드 붙여넣기 후 런타임 > 모두 실행 - ```python
```python - # torchvisio
# torchvision 기반 간단 분류 예시 (GPU 없어도 동작) - from torchvi
from torchvision import models, transforms - from PIL imp
from PIL import Image - import torch
import torch - model = mode
model = models.resnet18(weights="IMAGENET1K_V1") - model.eval()
model.eval() - img = Image.
img = Image.open("flood_tile.jpg").convert("RGB") - transform =
transform = transforms.Compose([ - transforms.R
transforms.Resize((224, 224)), - transforms.T
transforms.ToTensor() - ])
]) - out = model(
out = model(transform(img).unsqueeze(0)) - print("Top-1
print("Top-1 class index:", out.argmax().item()) - ```
``` - 결과 비교
같은 영상을 분류(위 코드)·탐지(YOLO 계열 온라인 데모)·분할(Segment Anything 데모) 순으로 돌려 산출물 형태를 나란히 메모장에 적어 비교 - 목적 매핑
메모장에 '내가 필요한 최종 산출물' 한 줄 적기 > 면적·경계선이면 분할, 개수·위치면 탐지, 있다/없다이면 분류로 연결되는지 스스로 확인 - 버전 확인
메뉴·모델 이름은 라이브러리 버전마다 다를 수 있으니 Roboflow·PyTorch 공식 문서의 Changelog 탭에서 현재 버전 기준 목록을 먼저 확인
※ 프로그램 버전에 따라 메뉴 이름이 조금씩 다를 수 있습니다. 위 그림은 순서를 정리한 도식입니다.
✍️ 그대로 복사해 쓰는 프롬프트
재난 판독 과제에서 세 기법 중 어떤 것을 써야 할지 AI에게 조언을 구할 때 사용
나는 [기관명]에서 [대상 재난(예: 홍수·산불·산사태)] 피해 판독을 담당하는 담당자야. 보유한 위성영상은 [영상 종류(예: 광학 10m 해상도 GeoTIFF)]이고, 최종적으로 필요한 산출물은 [원하는 결과(예: 침수 경계선 벡터 레이어 / 피해 건물 수 목록 / 피해 구역 여부 분류)]야. 영상 분류, 객체 탐지, 의미론적 분할 중 어느 기법이 이 목적에 가장 적합한지 이유와 함께 알려줘. 답변 형식: 1) 추천 기법 2) 추천 이유 3) 주의해야 할 한계 4) 라벨 데이터 최소 요구량 추정 확인되지 않은 수치나 특정 제품 성능은 단정하지 말고, 일반론으로 설명해 줘.
세 기법의 차이를 상사나 동료에게 보고용으로 정리할 때 사용
너는 GIS와 인공지능을 처음 접하는 공무원에게 설명하는 전문가야. 영상 분류, 객체 탐지, 의미론적 분할의 차이를 아래 표 형식으로 정리해 줘. 열 항목: 기법 이름 / 답하는 질문 / 산출물 형태 / 재난 판독 활용 예시 / 주요 한계 행은 세 기법 각각 하나씩. 전문용어는 처음 나올 때 괄호 안에 한 줄 설명을 붙여 줘. [추가 맥락이 있으면 여기에 적기]
※ 대괄호 부분을 상황에 맞게 바꿔서 쓰세요. 받은 답은 그대로 쓰지 말고 사실 확인을 거치세요.
🧪 직접 해보기
- Roboflow Universe(universe.roboflow.com)에서 'flood'로 검색한 뒤 Task 필터를 세 가지로 바꿔 가며 각 기법의 결과물 화면을 직접 비교해 보세요.
- Google Colab에서 Segment Anything Model(SAM) 공개 데모 노트북을 열고 홍수 위성 이미지 한 장을 올려 픽셀 단위 분할 결과가 어떻게 나오는지 확인해 보세요.
- 종이나 메모장에 '내 업무의 최종 산출물'을 한 줄로 적은 뒤, 이 글의 판단 기준에 따라 세 기법 중 하나를 골라 보고 그 이유를 두 문장으로 써 보세요.
❓ 자주 묻는 질문
Q. 의미론적 분할이 가장 정밀하다면 항상 그것만 쓰면 되지 않나요?
A. 의미론적 분할은 픽셀 단위 라벨 데이터가 많이 필요하고 학습·추론 시간도 깁니다. 빠른 1차 선별이나 건물 개수 파악이 목적이라면 오히려 더 단순한 기법이 시간과 비용 면에서 유리합니다.
Q. 객체 탐지 결과의 바운딩 박스를 GIS에서 면적으로 변환할 수 있나요?
A. 박스 자체의 면적을 계산할 수는 있지만, 박스 안에는 배경 픽셀도 포함되어 실제 피해 면적과 차이가 납니다. 정확한 면적이 필요하다면 의미론적 분할 결과를 폴리곤으로 변환해 사용하는 것이 적합합니다.
Q. 세 기법 모두 학습 데이터 없이 쓸 수 있나요?
A. 사전 학습된 모델을 그대로 쓰는 경우에는 별도 학습 데이터 없이도 작동합니다. 다만 재난 위성영상처럼 특수한 도메인에서는 사전 학습 모델의 성능이 기대에 못 미치는 경우가 많아, 도메인에 맞는 데이터로 추가 학습(파인튜닝)을 거치는 것이 일반적입니다.
위성영상에 딥러닝을 적용할 때 가장 먼저 해야 할 일은 모델을 고르는 것이 아니라 최종 산출물을 정하는 것입니다. 침수 면적인지, 피해 건물 수인지, 아니면 단순한 피해 여부인지에 따라 기법이 달라지고, 기법이 달라지면 필요한 학습 데이터의 종류와 양도 달라집니다. 세 기법의 원리를 이해해 두면 현장에서 "이 모델 써보면 어떨까요?"라는 질문에 막히지 않고 "우리 목적에는 어느 기법이 맞는지"로 대화를 이끌 수 있습니다. 다음 편에서는 이 중 실제 재난 판독에 가장 많이 쓰이는 의미론적 분할 모델을 어떻게 학습시키고, 결과 마스크를 GIS 레이어로 변환하는지를 다룰 예정입니다. "마스크 이미지를 폴리곤으로 바꾸려면 어떻게 하나요?"라는 질문, 다음 편에서 바로 풀어 드리겠습니다.
GeoAI 기초 시리즈 10편 · 전체 43편
재난안전과 GeoAI 이야기를 더 보고 싶다면 아래 채널도 함께 보세요.
📌 바로가기
