[論文レビュー] SpaceNet: A Remote Sensing Dataset and Challenge Series

Adam Van Etten, Dave Lindenbaum+1 more|arXiv (Cornell University)|Jul 3, 2018

Automated Road and Building Extraction参考文献 20被引用数 356

ひとこと要約

SpaceNetは、AWS上に大規模なラベル付き衛星画像データセットを公開し、自動建物輪郭および道路網抽出の一連の公開チャレンジを提供します。道路用の新規指標（APLS）と高性能な提出物。

ABSTRACT

Foundational mapping remains a challenge in many parts of the world, particularly in dynamic scenarios such as natural disasters when timely updates are critical. Updating maps is currently a highly manual process requiring a large number of human labelers to either create features or rigorously validate automated outputs. We propose that the frequent revisits of earth imaging satellite constellations may accelerate existing efforts to quickly update foundational maps when combined with advanced machine learning techniques. Accordingly, the SpaceNet partners (CosmiQ Works, Radiant Solutions, and NVIDIA), released a large corpus of labeled satellite imagery on Amazon Web Services (AWS) called SpaceNet. The SpaceNet partners also launched a series of public prize competitions to encourage improvement of remote sensing machine learning algorithms. The first two of these competitions focused on automated building footprint extraction, and the most recent challenge focused on road network extraction. In this paper we discuss the SpaceNet imagery, labels, evaluation metrics, prize challenge results to date, and future plans for the SpaceNet challenge series.

研究の動機と目的

• 自動マップ機能抽出を加速するための大規模でラベル付きのリモートセンシングデータセットを提供する。
• 建物輪郭と道路網抽出アルゴリズムの公開ベンチマークを可能にする。
• ピクセルベースの指標を超えてルーティング有用性を反映する評価指標（APLS）を導入する。
• Challenge 1 から Challenge 2 への改善を示し、将来のチャレンジのロードマップを確立する。

提案手法

• AWS上でCC BY-SA 4.0 の下、SpaceNet 画像と検証済みラベルをリリース。
• 評価指標の定義：建物は IoU ベースの F1、道路は APLS のグラフベース指標。
• 建物のコーナー精度約5ピクセル、道路の中心線精度約7ピクセルを保証する QA/QC を備えたグラウンドトゥルースラベリングパイプライン。
• ルーティング可能なネットワークを実現するため OpenStreetMap ガイドラインに沿った道路のグラウンドトゥルースラベリング。

実験結果

リサーチクエスチョン

• RQ1 高解像度衛星画像から自動手法で建物輪郭をどれだけ正確に抽出できるか？
• RQ2 自動の道路網抽出がルーティング用途に適したルーティング可能なグラフを生成できるか？
• RQ3 新規のグラフベース指標（APLS）はピクセルベース指標よりルーティング関連の品質をより正しく捉えられるか？
• RQ4 SpaceNet チャレンジを通じたアルゴリズムの性能はどのように改善され、建物密度や道路タイプが異なる都市間でどう変化するか？

主な発見

• Challenge 1 の基本線 F1 はリオデジャネイロの建物輪郭で約0.21。
• Challenge 2 は都市横断で F1 スコアを向上させ、上位入賞者の総F1は約0.69（ラスベガス0.89、パリ0.75、上海0.60、カルトゥーム0.54）。
• Challenge 3 の道路網は上位入賞者の Average Path Length Similarity (APLS) 総合得点が約0.666となり、ルーティングに有効なグラフ精度を示唆。
• SpaceNet はデータとチャレンジを提供し、建物輪郭抽出性能が段階的に改善され、ルーティングのためのグラフベース指標（APLS）の有用性を実証。
• 勝者の道路ネットワークスコアは 0.6663 (albu) を4つの AOI で達成。