[論文レビュー] MMLSv2: A Multimodal Dataset for Martian Landslide Detection in Remote Sensing Imagery

Sidike Paheding, Abel A. Reyes+6 more|arXiv (Cornell University)|Feb 8, 2026

Planetary Science and Exploration被引用数 0

ひとこと要約

MMLSv2 は、空間的一般化を評価するための完全に分離されたテストセットを備えた七帯域の惑星間マルチモーダルデータセットを提供し、現在のモデルが競争力のあるが完全ではなく、分離された分割で劣化することを示すベンチマーク結果を示す。

ABSTRACT

We present MMLSv2, a dataset for landslide segmentation on Martian surfaces. MMLSv2 consists of multimodal imagery with seven bands: RGB, digital elevation model, slope, thermal inertia, and grayscale channels. MMLSv2 comprises 664 images distributed across training, validation, and test splits. In addition, an isolated test set of 276 images from a geographically disjoint region from the base dataset is released to evaluate spatial generalization. Experiments conducted with multiple segmentation models show that the dataset supports stable training and achieves competitive performance, while still posing challenges in fragmented, elongated, and small-scale landslide regions. Evaluation on the isolated test set leads to a noticeable performance drop, indicating increased difficulty and highlighting its value for assessing model robustness and generalization beyond standard in-distribution settings. Dataset will be available at: https://github.com/MAIN-Lab/MMLS_v2

研究の動機と目的

• 火星の geomorphology（地形形成学）と危険評価を支援する自動滑落マッピングを動機づける。
• 滑落分割のためのマルチモーダル七チャンネルデータセットである MMLSv2 を導入する。
• 一般化を評価するための地理的に分離されたテストセットを含む頑健な評価プロトコルを提供する。
• 多スペクトル滑落分割における将来の方法論的改善を導く基準モデルの結果を提示する。

提案手法

• Valles Marineris（火星）におけるRGB、DEM、勾配、熱慣性、グレー階調の7モダリティ画像を組み立て・共登載する。
• 滑落ポリゴンを手動でアノテーションし、モダリティ間で共通のラスター格子に整合させる。
• 空間一般化評価のための孤立したテストセットを形成するためにラスター単位の地理的ホールドアウトを作成する。
• 空間的独立性と分割間の難易度の一貫性を確保するブロックベースの前景バランス戦略でデータを分割する。
• 統一した学習設定の下で、ベースライン分割と孤立分割の複数のセマンティックセグメンテーションアーキテクチャを評価する。
• 分割性能に対するバンド組み合わせの影響を分析する。

Figure 1 : Location of Valles Marineris on Mars used in this study for constructing the MMLSv2 dataset.

実験結果

リサーチクエスチョン

• RQ1 RGB を超えるマルチモーダルデータの組み合わせが火星の滑落分割性能にどのように影響するか？
• RQ2 地理的に分離されたテストセットは、標準的な分布内評価では見えない一般化ギャップを明らかにするか？
• RQ3 MMLSv2 上の一般的なセグメンテーションアーキテクチャのベースライン性能はいくらで、精度と効率のトレードオフはどうなるか？
• RQ4 異なるバンドの組み合わせは前景の境界描写と全体の分割品質にどのような影響を与えるか？

主な発見

Method	Precision Δ	Recall Δ	F1-score	IoU_BG	IoU_FG	mIoU	Inference time (s)	Training time (h)
U-Net	0.858	0.868	0.863	0.868	0.759	0.814	0.005	0.088
U-Net++	0.864	0.879	0.871	0.875	0.772	0.823	0.011	0.085
PSPNet	0.866	0.884	0.875	0.878	0.778	0.828	0.005	0.027
DeepLabV3	0.870	0.860	0.865	0.872	0.763	0.817	0.007	0.063
DeepLabV3+	0.863	0.889	0.876	0.878	0.779	0.829	0.007	0.048
SegFormer	0.859	0.863	0.861	0.867	0.756	0.812	0.041	0.131

• 評価されたすべてのアーキテクチャは収束し、ベースラインテストで競争力のある平均 IoU を達成（mIoU 0.81–0.83）。
• 前景領域は背景より常に難しく、孤立下で前景 IoU の劣化が大きい。
• 孤立テストセットの性能は低下（mIoU 約0.70–0.73）、特に前景で、分布シフトへ対する頑健性の課題を示す。
• 7 バンド全体の使用（RGB + DEM + 勾配 + 熱慣性 + グレー階調）は mIoU を 0.814 に改善し、RGB 単独の 0.711 からの改善を示す。これは補完的モダリティの利点を示す。
• バンドのアブレーションは、モダリティが追加されるごとに段階的な利得を示し、DEM と熱的手が前景の境界描写を notably 改善。
• 推論時間はアーキテクチャによって異なり、SegFormer はより遅く、mIoU の増分が比例していない。

Figure 3 : Representative scenes from the MMLSv2 dataset. Each row corresponds to a different image tile, while columns show the individual input bands composing the multimodal image, followed by the ground-truth landslide mask. The examples illustrate the wide morphological diversity captured by MM