[論文レビュー] DFPENet-geology: A Deep Learning Framework for High Precision Recognition and Segmentation of Co-seismic Landslides

Qingsong Xu, Chaojun Ouyang+3 more|arXiv (Cornell University)|Aug 28, 2019

Landslides and related hazards参考文献 65被引用数 8

ひとこと要約

本稿では、RGB衛星画像と地理的・時系列的特徴を組み合わせた深層学習フレームワーク、DFPENet-geologyを提案する。この手法は、大規模な地震被害地域における地震誘発土砂災害の高精度なセグメンテーションと認識を実現する。ISPRS 2Dセマンティックデータセットにおいて最先端の性能を達成し、中国・九寨溝および日本・北海道の地震事例においても、実世界の応用において優れたクロスシーン一般化性能を示している。

ABSTRACT

Automatic recognition and segmentation methods now become the essential requirement in identifying co-seismic landslides, which are fundamental for disaster assessment and mitigation in large-scale earthquakes. This approach used to be carried out through pixel-based or object-oriented methods. However, due to the massive amount of remote sensing data, variations in different earthquake scenarios, and the efficiency requirement for post-earthquake rescue, these methods are difficult to develop into an accurate, rapid, comprehensive, and general (cross-scene) solution for co-seismic landslide recognition. This paper develops a robust model, Dense Feature Pyramid with Encoder-decoder Network (DFPENet), to understand and fuse the multi-scale features of objects in remote sensing images. The proposed method achieves a competitive segmentation accuracy on the public ISPRS 2D Semantic. Furthermore, a comprehensive and widely-used scheme is proposed for co-seismic landslide recognition, which integrates image features extracted from the DFPENet model, geologic features, temporal resolution, landslide spatial analysis, and transfer learning, while only RGB images are used. To corroborate its feasibility and applicability, the proposed scheme is applied to two earthquake-triggered landslides in Jiuzhaigou (China) and Hokkaido (Japan), using available pre- and post-earthquake remote sensing images.

研究の動機と目的

• 大規模な地震被害地域における、正確で迅速かつ包括的な地震誘発土砂災害の検出の課題に取り組む。
• マスなリモートセンシングデータやシーンの変化に対処できない従来のピクセルベースまたはオブジェクトベースの手法の限界を克服する。
• 画像、地質学的、時系列的特徴を統合した、一般化可能でエンドツーエンドの深層学習ソリューションを開発し、セグメンテーション精度を向上させる。
• 深層学習とトランスファーラーニング、空間分析を組み合わせることで、効率的な被災後評価を可能にし、実世界への展開を実現する。
• 実際の地震事例を用いて、異なる地質的・画像的条件下でも本フレームワークの実用性と頑健性を示す。

提案手法

• リモートセンシング画像におけるマルチスケール特徴学習を強化するため、密なスキップ接続を備えた新しいエンコーダデコーダアーキテクチャ、DFPENetを提案する。
• 階層的な文脈的表現を複数スケールで捉えるために、密な特徴ピラミッドネットワーク（DFP）を採用し、局所化とセグメンテーションの精度を向上させる。
• 地質学的特徴（例：岩石種別、傾斜、南斜面）および時系列解像度データ（事前・事後画像）をモデルの補助入力として統合する。
• 事前学習済みのDFPENetを、限られたラベル付きデータでの新しい地理的領域に適応させるためのトランスファーラーニングを適用し、クロスシーン一般化性能を向上させる。
• 土砂災害分布パターンの空間的分析を用いて、セグメンテーション出力を精緻化し、現実の地形的制約と整合性を高める。
• セグメンテーションと特徴表現の両方を同時に最適化するマルチタスク学習目的関数を用いて、RGB衛星画像上でエンドツーエンドにモデルを学習する。

実験結果

リサーチクエスチョン

• RQ1 RGB衛星画像と補助的な地理的データのみを用いて、深層学習フレームワークが地震誘発土砂災害を高精度にセグメンテーションできるか？
• RQ2 地質学的および時系列的特徴を統合することで、画像のみのモデルに比べてセグメンテーション精度がどの程度向上するか？
• RQ3 DFPENetアーキテクチャは、異なる地震シナリオにおける多様な地質的・地形的条件下で、どの程度一般化可能か？
• RQ4 トランスファーラーニングにより、土砂災害検出タスクにおける大規模かつ地域特化型の学習データの必要性を顕著に低減できるか？
• RQ5 本手法は、従来の最先端手法と比較して、セグメンテーション精度および計算効率の面でどの程度優れているか？

主な発見

• DFPENet-geologyは、公開のISPRS 2Dセマンティックデータセットにおいて競争力あるセグメンテーション精度を達成し、複雑なリモートセンシング環境下でも優れた性能を示している。
• 地質学的および時系列的特徴の統合により、特に地形の変動が大きく、画像コントラストが低い地域において、検出精度が顕著に向上した。
• モデルは優れたクロスシーン一般化性能を示し、中国・九寨溝および日本・北海道の両地域において、最小限の微調整で土砂災害を効果的に検出できた。
• トランスファーラーニングにより、限られたラベル付きデータでの新しい地域への適応が効果的に行え、アノテーションコストを削減しながらも高い精度を維持した。
• 密なスキップ接続とマルチスケール特徴統合の導入により、境界の局所化が向上し、過剰および不十分セグメンテーションのエラーが低減した。
• 本フレームワークは、従来のピクセルベースおよびオブジェクトベースの手法に比べ、大規模な地震後評価において速度、精度、スケーラビリティの面で優れた性能を発揮した。