KR20190088747A

KR20190088747A - 포토그래메트리 알고리즘을 맵-리듀싱하는 방법

Info

Publication number: KR20190088747A
Application number: KR1020180007215A
Authority: KR
Inventors: 서정헌; 박경환
Original assignee: 서정헌; 박경환
Priority date: 2018-01-19
Filing date: 2018-01-19
Publication date: 2019-07-29

Abstract

본 발명은 포토그래메트리 알고리즘을 맵-리듀싱하는 방법으로서, Map-Reduce를 위해서는 처리하고자 하는 수학적 알고리즘을 단위 계산의 수준으로 잘게 자르고 매 단위 계산이 Map-Reduce되도록 한 후에 다음 단위 계산으로 넘어가도록 해야 한다. Map-Reduce는 연산을 수행하는 주체가 Server가 아니며 Data를 가지고 있고 Client가 연산을 수행한다. Server는 오로지 Mapping하여 Data가 존재하는 Client들을 파악하고 연산 Order만을 내리며 처리가 끝난 자료를 모으는 Reducing 단계를 수행한다. 고로 서버의 부하가 매우 적어지고 Client는 필요에 따라서 무한히 생성하거나 이미 Data를 논리적으로 최대한 분산시킴으로써 비록 단순한 계산이지만 반복적으로 수행하게 되는 수학적 알고리즘을 단시간에 종료할 수 있도록 하여준다. 고로 항공삼각측량의 수학적 알고리즘을 매우 작은 계산단위로 쪼개고 각각의 계산단위로 Map-Reduce 과정을 거쳐서 고속으로 연산하도록 하며 더 나아가서 각각의 대기 중인 계산단위들도 Map-Reduce 알고리즘을 통해서 순차적이 아닌 동시 수행 방식으로 처리하면 매우 높은 생산성을 갖게 된다.

Description

포토그래메트리 알고리즘을 맵-리듀싱하는 방법 {Map-Reducing method of Photogrammetry algorithm}

본 발명은 포토그래메트리 알고리즘을 맵-리듀싱하는 방법에 관한 것이다.

항공삼각측량 알고리즘은 매우 오래전부터 검증되고 상용화된 보편적인 알고리즘이다. 그러나 이 알고리즘은 현재까지 실행 속도 면에서 괄목할만한 발전을 이루고 있지 못하며 따라서 대규모의 영상을 Stereo Matching 시키는데 너무 많은 시간이 소요된다. 특히 사진이나 영상이 정밀해지고 사진 한 장 당 촬영된 면적이 넓어지면 그 File의 크기와 공간방정식의 계산 량이 기하급수적으로 커지므로 계산하는데 소요되는 시간이 매우 길어진다. 설상가상으로 사진이나 영상의 매수가 수천장에서 수만장에 이르게 되면 최종결과물을 얻는다는 것은 불가능에 가깝다. 그래서 현재는 사진의 획득 수를 제한하거나 면적의 크기를 특정 넓이 미만으로 제한하여 자료를 획득하고 있다.

본 발명은 대규모 자료를 처리하기에 적합한 알고리즘인 Map-Reduce 알고리즘을 사용하여 계산 속도를 올리고 정확도 역시 증가시킬 수 있는 포토그래메트리 알고리즘을 맵-리듀싱하는 방법을 제공하고자 하는 것이다.

이를 해결하기 위하여 Map-Reduce 알고리즘을 엄격하게 분류하면 병렬처리 개념과는 구별된다. Map-Reduce를 위해서는 처리하고자 하는 수학적 알고리즘을 단위 계산의 수준으로 잘게 자르고 매 단위 계산이 Map-Reduce되도록 한 후에 다음 단위 계산으로 넘어가도록 해야 한다. Map-Reduce는 연산을 수행하는 주체가 Server가 아니며 Data를 가지고 있고 Client가 연산을 수행한다. Server는 오로지 Mapping하여 Data가 존재하는 Client들을 파악하고 연산 Order만을 내리며 처리가 끝난 자료를 모으는 Reducing 단계를 수행한다. 고로 서버의 부하가 매우 적어지고 Client는 필요에 따라서 무한히 생성하거나 이미 Data를 논리적으로 최대한 분산시킴으로써 비록 단순한 계산이지만 반복적으로 수행하게 되는 수학적 알고리즘을 단시간에 종료할 수 있도록 하여준다. 고로 항공삼각측량의 수학적 알고리즘을 매우 작은 계산단위로 쪼개고 각각의 계산단위로 Map-Reduce 과정을 거쳐서 고속으로 연산하도록 하며 더 나아가서 각각의 대기 중인 계산단위들도 Map-Reduce 알고리즘을 통해서 순차적이 아닌 동시 수행 방식으로 처리하면 매우 높은 생산성을 갖게 된다.

현재까지 경험에 비추어 보면 Map-Reduce 알고리즘을 적용 할 때 처리 속도는 수 천배에서 수 백만배까지 생산성이 향상된다. 가히 생산성의 폭발이라 할 수 있다. 한편 고속의 연산처리를 가능케 하는 컴퓨팅 자원이 상대적으로 매우 저렴한 상태이기 때문에 슈퍼컴퓨터를 이용하는 것 보다 경제적으로도 이익이 매우 크다.

본 발명을 좀 더 구체적으로 설명하면 다음과 같다.

Map-Reduce 알고리즘을 엄격하게 분류하면 병렬처리 개념과는 구별된다. Map-Reduce를 위해서는 처리하고자 하는 수학적 알고리즘을 단위 계산의 수준으로 잘게 자르고 매 단위 계산이 Map-Reduce되도록 한 후에 다음 단위 계산으로 넘어가도록 해야 한다. Map-Reduce는 연산을 수행하는 주체가 Server가 아니며 Data를 가지고 있고 Client가 연산을 수행한다. Server는 오로지 Mapping하여 Data가 존재하는 Client들을 파악하고 연산 Order만을 내리며 처리가 끝난 자료를 모으는 Reducing 단계를 수행한다. 고로 서버의 부하가 매우 적어지고 Client는 필요에 따라서 무한히 생성하거나 이미 Data를 논리적으로 최대한 분산시킴으로써 비록 단순한 계산이지만 반복적으로 수행하게 되는 수학적 알고리즘을 단시간에 종료할 수 있도록 하여준다. 고로 항공삼각측량의 수학적 알고리즘을 매우 작은 계산단위로 쪼개고 각각의 계산단위로 Map-Reduce 과정을 거쳐서 고속으로 연산하도록 하며 더 나아가서 각각의 대기 중인 계산단위들도 Map-Reduce 알고리즘을 통해서 순차적이 아닌 동시 수행 방식으로 처리하면 매우 높은 생산성을 갖게 된다.

Claims

Map-Reduce를 위해서는 처리하고자 하는 수학적 알고리즘을 단위 계산의 수준으로 잘게 자르고 매 단위 계산이 Map-Reduce되도록 한 후에 다음 단위 계산으로 넘어가도록 해야 한다. Map-Reduce는 연산을 수행하는 주체가 Server가 아니며 Data를 가지고 있고 Client가 연산을 수행한다. Server는 오로지 Mapping하여 Data가 존재하는 Client들을 파악하고 연산 Order만을 내리며 처리가 끝난 자료를 모으는 Reducing 단계를 수행한다. 고로 서버의 부하가 매우 적어지고 Client는 필요에 따라서 무한히 생성하거나 이미 Data를 논리적으로 최대한 분산시킴으로써 비록 단순한 계산이지만 반복적으로 수행하게 되는 수학적 알고리즘을 단시간에 종료할 수 있도록 하여준다. 고로 항공삼각측량의 수학적 알고리즘을 매우 작은 계산단위로 쪼개고 각각의 계산단위로 Map-Reduce 과정을 거쳐서 고속으로 연산하도록 하며 더 나아가서 각각의 대기 중인 계산단위들도 Map-Reduce 알고리즘을 통해서 순차적이 아닌 동시 수행 방식으로 처리하면 매우 높은 생산성을 갖게 된다.