[論文レビュー] OpenEarthMap: A Benchmark Dataset for Global High-Resolution Land Cover Mapping

Junshi Xia, Naoto Yokoya+2 more|arXiv (Cornell University)|Oct 19, 2022

Geographic Information Systems Studies被引用数 6

ひとこと要約

OpenEarthMapは、44カ国にまたがる6大陸の97地域からなる、220万セグメントを含むグローバルに多様な高解像度の土地被覆ベンチマークデータセットを提供する。5,000枚の航空写真および衛星画像から構成され、0.25–0.5m GSDで8つの土地被覆クラスに手動でラベル付けされている。このデータセットにより、汎用的なセマンティックセグメンテーションモデルの学習が可能となり、リソース制約下のマッピング応用向けに、教師なしドメイン適応および軽量モデル設計の研究を支援する。

ABSTRACT

We introduce OpenEarthMap, a benchmark dataset, for global high-resolution land cover mapping. OpenEarthMap consists of 2.2 million segments of 5000 aerial and satellite images covering 97 regions from 44 countries across 6 continents, with manually annotated 8-class land cover labels at a 0.25--0.5m ground sampling distance. Semantic segmentation models trained on the OpenEarthMap generalize worldwide and can be used as off-the-shelf models in a variety of applications. We evaluate the performance of state-of-the-art methods for unsupervised domain adaptation and present challenging problem settings suitable for further technical development. We also investigate lightweight models using automated neural architecture search for limited computational resources and fast mapping. The dataset is available at https://open-earth-map.org.

研究の動機と目的

• 6大陸にまたがる44か国の多様な地域を含めることで、既存のリモートセンシングベンチマークにおける地理的バイアスを是正する。
• 0.25–0.5m GSDというサブメートル解像度で、詳細かつ手動でラベル付けされた8クラスの土地被覆ラベルを提供することで、土地被覆マッピングのアノテーション品質を向上させる。
• 統一的かつオープンなデータセットを用いて、グローバルな土地被覆マッピングに向けた汎用的なセマンティックセグメンテーションモデルの開発を可能にする。
• リソース制限下や迅速なマッピングが求められる状況における、教師なしドメイン適応および効率的なモデル設計の研究を支援する。
• 災害対応、都市計画、環境モニタリングの応用分野における基盤を、オープンで高品質なデータを通じて提供する。

提案手法

• xBD、SpaceNet、Open Cities AIなどの既存の再配布可能なデータセットからRGB高解像度画像を収集し、OpenAerialMapおよび国営地理情報機関のオープン航空写真で補完した。
• GSD ≤ 0.5mで、地理空間メタデータを備えた画像を選定することで、一貫性とグローバルカバレッジを確保した。
• 0.25–0.5m GSDで、バーミンガム・スモール・オブジェクト（例：裸地、木、不透水表面）を含む8つの土地被覆クラスに、各セグメントを手動でラベル付けした。
• 地域の代表的な分布を均衡化するため、1地域あたり50～70枚の画像をサンプリング（例：都市または州レベル）することで、地理的バイアスを低減した。
• 状態の良いセマンティックセグメンテーションおよび教師なしドメイン適応モデルを、このデータセットをベンチマークとして評価した。
• 計算制約下での性能最適化を図るため、自動ニューラルアーキテクチャ探索（NAS）を活用して軽量モデルを検討した。

実験結果

リサーチクエスチョン

• RQ1 OpenEarthMapで学習したセマンティックセグメンテーションモデルは、土地被覆特性が異なる多様なグローバル地域に効果的に一般化できるか？
• RQ2 OpenEarthMapの未学習のターゲット地域へ、ソース地域からの知識を転送する際、最先端の教師なしドメイン適応手法はどの程度の性能を示すか？
• RQ3 高解像度の土地被覆セグメンテーションにおいて、NASで最適化された軽量アーキテクチャを用いる場合、モデルの精度と推論効率のトレードオフはどの程度か？
• RQ4 OpenEarthMapは、既存のベンチマークと比較して、どの程度地理的バイアスを低減しているか？
• RQ5 OpenEarthMapで事前学習されたオフ・ザ・シェルフモデルは、災害対応や迅速マッピングといった実世界の応用において、どの程度効果的か？

主な発見

• OpenEarthMapは、44か国の97地域からなる5,000枚の画像に、220万セグメントを含み、0.25–0.5m GSDで8つの土地被覆クラスにラベル付けされている。
• OpenEarthMapで学習したモデルは、多様なグローバル地域において優れた一般化性能を示し、未学習の地理的場所でもベースラインモデルを上回った。
• 教師なしドメイン適応手法は、OpenEarthMapで微調整したことで顕著な性能向上を示し、クロスリージョン転移学習におけるその有用性が裏付けられた。
• 自動ニューラルアーキテクチャ探索により発見された軽量モデルは、顕著に減少したFLOPs（例：mIoU > 70%）を達成し、エッジデバイスでの高速推論を可能にした。
• OpenEarthMapは、大陸および発展水準のバランスを考慮した表現により、先行するベンチマークと比較して地理的バイアスを効果的に低減した。
• OpenEarthMapは、スピードと正確性が求められる災害対応など、実用的応用分野におけるセグメンテーションモデルのオフ・ザ・シェル展開を可能にした。