[論文レビュー] Mapping illegal waste dumping sites with neural-network classification of satellite imagery

M. R. Devesa, Antonio Vázquez Brust|arXiv (Cornell University)|Oct 16, 2021

Remote-Sensing Image Classification被引用数 6

ひとこと要約

本稿では、10メートル解像度のSentinel-2衛星画像を用いてブエノスアイレス州における違法なごみ投棄場所を検出するため、重み付き二値交差エントロピー損失を用いたU-Net畳み込みニューラルネットワークを提案する。モデルはテストデータにおいて平均交差率（IoU）0.675を達成し、オープンソースツールとトランスファー学習を用いて大規模に効果的なセグメンテーションを実現したことを示している。

ABSTRACT

Public health and habitat quality are crucial goals of urban planning. In recent years, the severe social and environmental impact of illegal waste dumping sites has made them one of the most serious problems faced by cities in the Global South, in a context of scarce information available for decision making. To help identify the location of dumping sites and track their evolution over time we adopt a data-driven model from the machine learning domain, analyzing satellite images. This allows us to take advantage of the increasing availability of geo-spatial open-data, high-resolution satellite imagery, and open source tools to train machine learning algorithms with a small set of known waste dumping sites in Buenos Aires, and then predict the location of other sites over vast areas at high speed and low cost. This case study shows the results of a collaboration between Dymaxion Labs and Fundaci\\'on Bunge y Born to harness this technique in order to create a comprehensive map of potential locations of illegal waste dumping sites in the region.

研究の動機と目的

• グローバルサウスの都市部における違法なごみ投棄場所に関する信頼できるデータの不足に取り組む。
• 衛星画像と機械学習を用いて、スケーラブルで低コストな方法で違法投棄場所を検出し地図化する。
• トレーニングにおけるデータの不均衡を解消するため、重み付き二値交差エントロピーを適用し、レアな投棄場所ピクセルの検出を向上させる。
• 自動化された高解像度セグメンテーションにより、投棄場所の変化を迅速かつ大規模にモニタリング可能にする。
• 都市計画および公衆衛生施策を支援するため、位置的に正確なごみ投棄リスクマップを提供する。

提案手法

• セマンティックセグメンテーションのため、4段階のダウンサンプリングおよび4段階のアップサンプリングを持つU-Netアーキテクチャを採用する。
• RGB、NIR、SWIRのスプライスバンドを用いて、Sentinel-2の1,917枚のラベル付き100×100ピクセル画像をトレーニングに使用する。
• クラスの不均衡を緩和するため、重み付き二値交差エントロピー損失を適用し、少数クラス（投棄場所）に高い損失重みを設定する。
• トレーニング70％、検証10％、テスト20％の分割を採用し、未知のデータに対するモデルの汎化能力を評価する。
• 後処理として、ピクセルレベルの確率におけるしきい値処理を実施し、100 m²未満のオブジェクトをフィルタリングして誤検出を低減する。
• Google Earth Engineを活用して、高解像度でオープンアクセス可能な衛星画像への効率的かつ処理可能なアクセスを実現する。

実験結果

リサーチクエスチョン

• RQ1 少数のラベル付き投棄場所データでトレーニングされたディープラーニングモデルは、広大な都市部にわたり同様の場所を正確に検出できるか？
• RQ2 RGBのみの入力と比較して、多スペクトルバンド（NIR、SWIR、NDSW）を含めることで、検出性能はどの程度向上するか？
• RQ3 非常に不均衡な投棄場所データセットにおいて、重み付き二値交差エントロピーはモデル性能をどの程度向上させるか？
• RQ4 解像度や画像品質の制限により、小規模または低コントラストの投棄場所を検出する際のモデルの限界は何か？
• RQ5 オープンソースツールと自由に利用可能な衛星データを用いて、この手法を再現可能かつスケーラブルに拡張可能か？

主な発見

• RGB-NIR-SWIR-NDSWのスプライスバンドを用いた場合、テストセットにおける平均交差率（IoU）は0.675を達成した。
• 最適な構成では、RGB、NIR、SWIR、およびNDSWの4つのスプライスバンドをすべて使用し、損失を0.0458まで低下させ、サブセットと比較してIoUを向上させた。
• 18エポックを過ぎると性能が頭打ちとなり、最終的な損失は0.0458、IoUは0.675に安定した。
• 100 m²未満の小さな投棄場所は、10メートルの画像解像度と低コントラストのため、頻繁に見逃された。
• 誤検出には、スペクトル特性がごみの山に似ている小規模な建物や他の土地被覆特徴が含まれた。
• 一部地域では雲の被覆が画像の入手可能性を制限し、研究地域全体での検出の一貫性に影響を与えた。