[論文レビュー] Hi-UCD: A Large-scale Dataset for Urban Semantic Change Detection in Remote Sensing Imagery

Shiqi Tian, Ailong Ma+2 more|arXiv (Cornell University)|Nov 6, 2020

Remote-Sensing Image Classification参考文献 22被引用数 40

ひとこと要約

Hi-UCD は、3つの時期フェーズと9つの land-cover クラスを備えた都市の意味的変化検出のための大規模で超高解像度の航空データセットと、従来手法と深層学習手法のベンチマークを導入します。これにより、洗練された多時系列の UCD 研究が可能になります。

ABSTRACT

With the acceleration of the urban expansion, urban change detection (UCD), as a significant and effective approach, can provide the change information with respect to geospatial objects for dynamical urban analysis. However, existing datasets suffer from three bottlenecks: (1) lack of high spatial resolution images; (2) lack of semantic annotation; (3) lack of long-range multi-temporal images. In this paper, we propose a large scale benchmark dataset, termed Hi-UCD. This dataset uses aerial images with a spatial resolution of 0.1 m provided by the Estonia Land Board, including three-time phases, and semantically annotated with nine classes of land cover to obtain the direction of ground objects change. It can be used for detecting and analyzing refined urban changes. We benchmark our dataset using some classic methods in binary and multi-class change detection. Experimental results show that Hi-UCD is challenging yet useful. We hope the Hi-UCD can become a strong benchmark accelerating future research.

研究の動機と目的

• 都市の変化検出（UCD）の高空間解像度データ、意味アノテーション、長距離の多時相画像の欠如に対処する。
• 超高解像度と多時相カバレッジを持つ大規模で意味アノテーションされたUCDデータセットを作成。
• Hi-UCD に対して従来手法と深層学習法を用いた二値および多クラスの変化検出の統一ベンチマークを提供。
• 意味ラベルと3年の時系列ペアを通じて洗練された都市の変化の分析を可能にする。

提案手法

• Tallinn, Estonia の0.1 m GSD の超高解像度航空画像を組み立てる。
• 9つのランドカバークラスを Estonian Topographic Database にマッピングして、2017-2018、2018-2019、2017-2019 の年次で意味的変化マップを生成する。
• 1024x1024 のパッチへパッチ抽出し、200 を超える change pixels を含むパッチをフィルタしてデータセットを形成。
• 各エリアにつき3つの時系列ペア（二年変化と三年変化）と季節一貫性を持つ正射補正画像を提供。
• 従来の CVA、MAD、IRMAD および深層学習アプローチ（FC_Siam_diff, FC_Siam_conc, FC_EF, FC_EF_Res, Siam_Res_EF; Deeplab v3/v3+, PSPNet, FarSeg）を含むバイナリおよび多クラス変化検出手法のベンチマークを実施。
• 標準的な訓練/評価設定を採用（SGD、学習率 0.01、ポリノミアル減衰、バッチサイズ 4、10k または 20k イテレーション、データ拡張）。

実験結果

リサーチクエスチョン

• RQ1 超高解像度の（0.1 m）航空画像と意味アノテーションは、既存データセットよりより細かな都市の変化を検知できるか？
• RQ2 従来の変化検出手法は Hi-UCD において二値および多クラスタスクで深層学習アプローチとどう比較されるか？
• RQ3 最先端の意味セグメンテーションモデルを Hi-UCD の多時相データに適用した場合の性能と複雑さのトレードオフは何か？

主な発見

• Hi-UCD は semantic と change maps を含む 359 image pairs (2017-2018), 386 pairs (2018-2019), 548 pairs (2017-2019) を提供。
• 深層学習手法は評価指標全般で従来の変化検出手法を顕著に上回る。
• バイナリ変化手法では Siamese および EF-based ネットワークが最も強い性能を示し、OA と IoU が従来の CVA/MAD/IRMAD より高い。
• マルチクラス変化検出では semantic segmentation モデル（例: Deeplab v3 ファミリ、PSPNet、FarSeg）は競争力のある結果を提供するが、計算コストが高く、分類精度に敏感。
• Hi-UCD の超高解像度（0.1 m）は細かな空間的詳細を明らかにし、変化の境界描写をより正確に可能にする一方、三時相データは都市のダイナミクスの時系列分析をサポート。