[論文レビュー] Using Convolutional Neural Networks to Count Palm Trees in Satellite Images

Eu Koon Cheang, Teik Koon Cheang+1 more|arXiv (Cornell University)|Jan 23, 2017

Remote Sensing and LiDAR Applications参考文献 5被引用数 21

ひとこと要約

本論文では、高分解能衛星画像（1ピクセルあたり40 cm ～ 1.5 m）におけるパームツリーの個数数え上げと局所化を目的とした畳み込みニューラルネットワーク（CNN）ベースのシステムを提案する。500枚のクロップド40×40ピクセル画像で訓練されたCNN分類器から導出された信頼度マップをスライディングウィンドウ法で処理し、平滑化および非最大抑制を施した後、わずかなトレーニングデータセットにもかかわらず、木の個数の認識精度が99％を超える結果を得た。

ABSTRACT

In this paper we propose a supervised learning system for counting and localizing palm trees in high-resolution, panchromatic satellite imagery (40cm/pixel to 1.5m/pixel). A convolutional neural network classifier trained on a set of palm and no-palm images is applied across a satellite image scene in a sliding window fashion. The resultant confidence map is smoothed with a uniform filter. A non-maximal suppression is applied onto the smoothed confidence map to obtain peaks. Trained with a small dataset of 500 images of size 40x40 cropped from satellite images, the system manages to achieve a tree count accuracy of over 99%.

研究の動機と目的

• 高分解能衛星画像におけるパームツリーの個数数え上げを可能とするスケーラブルで自動化されたシステムの開発。
• 複雑な高分解能シーンにおける個々のパームツリーの検出と局所化の課題に対処すること。
• 最小限のトレーニングデータセットを用いても高い正確な個数数え上げ精度を達成すること。
• 空間解像度が異なる実世界の衛星画像において、CNNベースのアプローチの性能を評価すること。

提案手法

• 500枚のクロップド40×40ピクセル画像からなるデータセットを用いて、パームツリーを含むパッチかどうかを分類するための畳み込みニューラルネットワーク（CNN）を訓練する。
• 訓練されたCNNを、全衛星画像にわたってスライディングウィンドウ方式で適用し、信頼度マップを生成する。
• 信頼度マップを一様フィルタを用いて平滑化し、ノイズを低減するとともにピーク検出を強化する。
• 平滑化されたマップに対して非最大抑制を適用し、局所的最大値（パームツリーの検出位置に該当）を特定する。
• 最終的な木の個数は、信頼度マップ内の検出されたピーク数から導出される。
• 本システムは、1ピクセルあたり40 cm ～ 1.5 mの空間解像度を有する衛星画像で評価された。

実験結果

リサーチクエスチョン

• RQ1 小さなトレーニングデータセットを用いても、CNNベースのアプローチがパームツリーの個数数え上げにおいて高い正確性を達成できるか？
• RQ2 スライディングウィンドウおよびピーク検出パイプラインは、高分解能衛星画像における個々のパームツリーの局所化にどの程度効果的か？
• RQ3 画像解像度の変化が、検出システムの性能に及ぼす影響は何か？
• RQ4 本手法は、衛星画像における異なる空間解像度に一般化可能か？

主な発見

• トレーニングデータがたった500枚であるにもかかわらず、テストデータセットにおいて99％を超える木の個数認識精度を達成した。
• 40 cm ～ 1.5 m/ピクセルの範囲のさまざまな空間解像度において、個々のパームツリーの検出と局所化に成功した。
• CNN分類、信頼度マップの平滑化、非最大抑制の組み合わせにより、誤検出が効果的に低減され、局所化の正確性が向上した。
• ラベル付きデータが限られる環境においても実用可能であることを示し、本手法は最小限のラベルデータで強力な一般化能力を示した。