[論文レビュー] GLH-Water: A Large-Scale Dataset for Global Surface Water Detection in Large-Size Very-High-Resolution Satellite Imagery

Yansheng Li, Bo Dang+2 more|arXiv (Cornell University)|Mar 16, 2023

Flood Risk Assessment and ManagementEnvironmental Science被引用数 3

ひとこと要約

本稿では、12,800×12,800ピクセル（0.3 m解像度）の大型超高解像度（VHR）衛星画像におけるグローバルな表面水検出のための、初めての大規模データセットであるGLH-Waterを紹介する。このデータセットには、世界中から選ばれた250枚の画像が含まれており、手動でアノテートされた水体マスクが付与されている。本稿では、連続的かつ小さな水体の検出を向上させるために、新規のピラミッド整合性損失（PCL）ベースラインを提案し、異なるデータセットおよび実世界のパイロット地域において優れた汎化性能を示した。

ABSTRACT

Global surface water detection in very-high-resolution (VHR) satellite imagery can directly serve major applications such as refined flood mapping and water resource assessment. Although achievements have been made in detecting surface water in small-size satellite images corresponding to local geographic scales, datasets and methods suitable for mapping and analyzing global surface water have yet to be explored. To encourage the development of this task and facilitate the implementation of relevant applications, we propose the GLH-water dataset that consists of 250 satellite images and manually labeled surface water annotations that are distributed globally and contain water bodies exhibiting a wide variety of types (e.g., rivers, lakes, and ponds in forests, irrigated fields, bare areas, and urban areas). Each image is of the size 12,800 $ imes$ 12,800 pixels at 0.3 meter spatial resolution. To build a benchmark for GLH-water, we perform extensive experiments employing representative surface water detection models, popular semantic segmentation models, and ultra-high resolution segmentation models. Furthermore, we also design a strong baseline with the novel pyramid consistency loss (PCL) to initially explore this challenge. Finally, we implement the cross-dataset and pilot area generalization experiments, and the superior performance illustrates the strong generalization and practical application of GLH-water. The dataset is available at https://jack-bo1220.github.io/project/GLH-water.html.

研究の動機と目的

• 非常に高解像度（VHR）衛星画像における表面水検出のための、大規模かつグローバルに代表されるデータセットの不足に対処すること。
• 実世界の応用で一般的な大型VHR画像（12,800×12,800ピクセル）において、小さな、複雑で連続的な水体を検出する課題を克服すること。
• グローバルなVHR画像における最新のセマンティックセグメンテーションおよび表面水検出モデルの評価のためのベンチマークを確立すること。
• GLH-Waterで学習したモデルが、多様なデータセットおよび実世界のパイロット地域において、どの程度汎化可能であるかを示すこと。
• 表面水検出の高解像度分野における研究を前進させるために、新規のピラミッド整合性損失（PCL）に基づく強力なベースラインを提供すること。

提案手法

• 世界中の多様な場所から、0.3 m GSD、12,800×12,800ピクセルの250枚のVHR衛星画像を収集し、森林、都市、農地、裸地など、さまざまな土地被覆条件下での川、湖、池などの多様な水体タイプをカバーした。
• 正確なピクセル単位の水体マスクを生成するために、手動でのアノテーションと専門家の点検を実施した。
• マルチスケール特徴の整合性を活用することで、連続的および細長い水体の検出を向上させる新規のピラミッド整合性損失（PCL）を提案した。
• GLH-Water上で12種類の最先端モデル（表面水専用、一般セマンティックセグメンテーション、超高解像度セグメンテーションモデル）を評価し、パフォーマンスベンチマークを確立した。
• クロスデータセットでの汎化性とパイロット地域評価を実施し、GLH-Waterで学習したモデルの実用的応用性とロバスト性を検証した。
• 実世界の都市パイロット地域（上海楊浦区）でモデルを訓練およびテストし、建物の影や細い流れを含む複雑なシーンにおける性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 大規模かつグローバルに分布するVHR衛星画像データセットは、多様な地理的・土地被覆条件における表面水検出モデルの汎化性能を向上させることができるか？
• RQ2 提案されたピラミッド整合性損失（PCL）は、大型VHR画像において連続的かつ小さな水体を保持しながら、誤検出および見逃しを低減するのにどの程度効果的か？
• RQ3 GLH-Waterで学習したモデルは、DeepGlobe や LoveDA などの他のデータセットへどの程度汎化可能か？また、それらのデータセットで学習したモデルと比較してどうなるか？
• RQ4 建物の影や細い水路といった、困難な特徴を有する複雑な都市環境において、GLH-Waterで学習したモデルの性能はどの程度か？
• RQ5 現在のセグメンテーションモデルは、大型・高解像度の表面水検出タスクに適用した際、性能の限界や失敗モードは何か？

主な発見

• GLH-Waterは、12,800×12,800ピクセルの大型VHR衛星画像におけるグローバルな表面水検出を目的とした、初めての大規模データセットであり、多様なグローバルな水体タイプとシーンをカバーする250枚の画像を含む。
• 提案されたピラミッド整合性損失（PCL）は、連続的および細長い水体の検出を顕著に向上させ、ベースラインモデルと比較して、誤検出と見逃しの両方の誤差を低減した。
• GLH-Waterで学習したモデルは、DeepGlobeテストセットで74.43%、LoveDAテストセットで68.15%のIoUスコアを達成した。これは、それぞれのネイティブデータセットで学習したモデルと同等の性能であり、優れたクロスデータセットでの汎化性能を示した。
• 実世界のパイロット地域（上海楊浦区）では、GLH-Waterで学習したモデルが75.99%のIoUを達成し、DeepGlobe、2020 GFチャレンジ、LoveDAデータセットで学習したモデルを上回った。
• 強力な汎化性能を示したが、依然として細い水路の検出や都市環境における影の干渉への対処に課題を抱えており、今後の研究における重要な課題が示された。
• GLH-Waterで確立されたベンチマークは、セグメンテーションモデルの系統的評価を可能にし、リモートセンシング分野における高解像度表面水検出の新しい基準を設定した。