[論文レビュー] Land Cover Change Detection via Semantic Segmentation

Renee Su, Rong Chen|arXiv (Cornell University)|Nov 28, 2019

Remote-Sensing Image Classification参考文献 6被引用数 8

ひとこと要約

本論文では、Google Earthの異なる時刻の航空写真を分析するために、DeepLab v3+を用いた意味的セグメンテーションによる土地被覆変化検出システムを提案する。DeepGlobeチャレンジにおいて、先行研究の0.433に比べ顕著に向上したmIoU 0.756を達成し、森林伐採のモニタリングや都市計画への正確な応用を可能にする。

ABSTRACT

This paper presents a change detection method that identifies land cover changes from aerial imagery, using semantic segmentation, a machine learning approach. We present a land cover classification training pipeline with Deeplab v3+, state-of-the-art semantic segmentation technology, including data preparation, model training for seven land cover types, and model exporting modules. In the land cover change detection system, the inputs are images retrieved from Google Earth at the same location but from different times. The system then predicts semantic segmentation results on these images using the trained model and calculates the land cover class percentage for each input image. We see an improvement in the accuracy of the land cover semantic segmentation model, with a mean IoU of 0.756 compared to 0.433, as reported in the DeepGlobe land cover classification challenge. The land cover change detection system that leverages the state-of-the-art semantic segmentation technology is proposed and can be used for deforestation analysis, land management, and urban planning.

研究の動機と目的

• 深層学習を用いて航空写真における土地被覆変化を検出する課題に対処すること。
• 特に複雑な都市部および農村部環境において、土地被覆分類の精度を既存手法を超えて向上させること。
• 土地被覆データに対する意味的セグメンテーションモデルのトレーニングおよびデプロイのスケーラブルなパイプラインを開発すること。
• 自動化された変化検出を通じて、森林伐採分析、土地管理、都市計画などの実用的応用を可能にすること。
• 時系列的なGoogle Earth画像を活用して、土地被覆タイプの時間的変化を同定すること。

提案手法

• ピクセル単位の土地被覆分類に、最先端の意味的セグメンテーションモデルであるDeepLab v3+を活用する。
• Google Earthから収集・前処理したマルチタイムスパンの航空画像を用いてトレーニングデータを準備する。
• アノテート済みラベルを用いた教師あり学習により、7つの定義済み土地被覆クラスでモデルをトレーニングする。
• 異なる時刻の画像ペアに対する推論用に、トレーニング済みモデルをエクスポートする。
• モデルの予測結果を用いて、各画像ごとの土地被覆クラスの割合を計算し、時間経過に伴う変化を定量化する。
• 同じ場所で異なる日付の画像ペアを入力として、クラス別セグメンテーション差分を用いて変化を検出する。

実験結果

リサーチクエスチョン

• RQ1 DeepLab v3+を用いた意味的セグメンテーションは、マルチタイムスパンの航空画像における土地被覆変化を効果的に検出できるか？
• RQ2 本手法は、DeepGlobeベンチマークにおいて、先行研究の最先端手法と比較してどの程度の精度を示すか？
• RQ3 本モデルは、多様な土地被覆タイプおよび地理的地域にどの程度一般化可能か？
• RQ4 クラス別パcentの分析を通じて、土地被覆変化の定量的評価はどの程度効果的か？
• RQ5 本パイプラインは、森林伐採モニタリングや都市計画などの実世界の応用に信頼性を持ってデプロイ可能か？

主な発見

• 提案された意味的セグメンテーションモデルは、DeepGlobeチャレンジにおいて、先行研究の0.433に比べ顕著に向上したmIoU 0.756を達成した。
• 同じトレーニング済みモデルを用いて2つの時刻のセグメンテーション出力を比較することで、本システムは土地被覆変化を効果的に検出できた。
• 都市部、植生、荒廃地など7つの土地被覆クラスにわたり、本モデルは強力な一般化性能を示した。
• 本パイプラインは、大規模な環境監視に適した自動的かつスケーラブルな変化検出を可能にした。
• 定量的なクラス別パーセンテージの変化を支援するため、本手法は森林伐採の追跡や都市開発分析といった実用的応用を可能にした。
• Google Earthの画像を活用することで、一貫性のある変化検出が可能な、高解像度かつグローバルに利用可能なデータにアクセス可能となった。