[論文レビュー] Counting Cows: Tracking Illegal Cattle Ranching From High-Resolution Satellite Imagery

Issam Laradji, Pau Rodríguez+5 more|arXiv (Cornell University)|Nov 14, 2020

Video Surveillance and Tracking Methods参考文献 32被引用数 18

ひとこと要約

本稿では、アマゾン地域の高分解能衛星画像（0.31 m）を用いて、牛の検出と数え上げを実行するディープラーニング手法を提案する。CSRNetおよびLCFCNモデルを用いることで、違法な放牧の広域的モニタリングが可能になる。結果として、CSRNetは密集領域でLCFCNを上回り、低MAPEおよびGAMPEを達成し、商業衛星データを用いた自動的かつスケーラブルな違法土地利用の追跡の可能性を示している。

ABSTRACT

Cattle farming is responsible for 8.8\% of greenhouse gas emissions worldwide. In addition to the methane emitted due to their digestive process, the growing need for grazing areas is an important driver of deforestation. While some regulations are in place for preserving the Amazon against deforestation, these are being flouted in various ways, hence the need to scale and automate the monitoring of cattle ranching activities. Through a partnership with extit{Global Witness}, we explore the feasibility of tracking and counting cattle at the continental scale from satellite imagery. With a license from Maxar Technologies, we obtained satellite imagery of the Amazon at 40cm resolution, and compiled a dataset of 903 images containing a total of 28498 cattle. Our experiments show promising results and highlight important directions for the next steps on both counting algorithms and the data collection process for solving such challenges. The code is available at \url{https://github.com/IssamLaradji/cownter_strike}.

研究の動機と目的

• 高分解像衛星画像を用いた牛の自動的・スケーラブルな検出および数え上げ手法の開発を目的とし、アマゾンにおける違法放牧の監視を実現すること。
• 特に、牛の数え上げおよび局所化に適した深層学習モデル（CSRNetおよびLCFCN）の大陸規模での性能を評価すること。
• 商業的サブメートル衛星画像（0.31 m解像度）を用いた大規模環境モニタリングの可能性を評価すること。
• 現在の手法における限界を特定し、時系列画像とより良いアノテーション戦略を用いた改善策を提案すること。

提案手法

• MaxarのWorldView3から、タスクベースのスケジューリングを経て取得した903枚の高分解像衛星画像（0.31 m パノラマ、1.24 m マルチスペクトル）を用いた。
• 学習および評価のため、28,498頭の牛をポイントレベルでアノテートしたデータセットを構築した。
• ImageNetで事前学習済みのVGG16-FCN8バックボーンを用いて、CSRNet（密度ベース）およびLCFCN（検出ベース）モデルを訓練した。
• LCFCNでは、1対象あたり1つのボリューム（ボイド）出力を促進する検出ベースの損失関数を採用し、スケール変動に対する局所化精度とロバスト性を向上させた。
• 評価指標としてMAPEおよびGAMPEを用い、GAMPEは画像をグリッドに分割することで誤検出の相関をペナルティ処理した。
• 100エポックにわたり、初期学習率10⁻⁴を固定し、エアリー・ストッピングとADAM最適化を適用した。

実験結果

リサーチクエスチョン

• RQ1 高分解像衛星画像（0.31 m）は、大陸規模での牛の正確な検出および数え上げを可能にするか？
• RQ2 濃度ベース（CSRNet）と検出ベース（LCFCN）の深層学習モデルは、牛の密度に応じてどのように性能を発揮するか？
• RQ3 ImageNetでの事前学習は、リモートセンシング応用における牛の数え上げの汎化性能をどの程度向上させるか？
• RQ4 時系列的衛星リマッピングは、岩や木などに類似した静的物体と区別する能力を向上させるか？

主な発見

• CSRNetは、特に密集領域（1枚あたり100頭以上）で、数え上げおよび局所化の両面でLCFCNを上回り、低MAPEおよびGAMPEを達成した。
• 牛が存在しない画像（0頭）では、LCFCNがFスコア0.676を達成した一方、CSRNetは0.571にとどまり、LCFCNが優れた性能を示した。
• ImageNetで事前学習したLCFCNは、非事前学習バージョンを上回ったことから、トランスファーラーニングの恩恵があることが示された。
• CSRNetとLCFCNをハイブリッドで用いる手法は有望であり、CSRNetは密集領域の数え上げに優れ、LCFCNは存在／不在の二値検出に優れている。
• 時系列画像の活用は、ラベル品質の向上および牛と誤検出の原因となる岩・木などと区別する能力の向上に不可欠である。
• 本研究は、商業的0.31 m衛星センサーが信頼性のある牛の数え上げを可能にし、大規模な環境モニタリングを実現できることを確認した。