[논문 리뷰] GLH-Water: A Large-Scale Dataset for Global Surface Water Detection in Large-Size Very-High-Resolution Satellite Imagery

Yansheng Li, Bo Dang외 2명|arXiv (Cornell University)|2023. 03. 16.

Flood Risk Assessment and ManagementEnvironmental Science인용 수 3

한 줄 요약

이 논문은 250장의 이미지(12,800×12,800 픽셀, 0.3m 해상도)를 포함하며 전 세계적으로 분포된 수체를 수작업으로 주석 처리한, 글로벌 표면수 탐지용 대규모 데이터셋인 GLH-Water를 소개한다. 이는 매우 고해상도(VHR) 위성 영상에서의 글로벌 표면수 탐지에 있어 최초의 대규모 데이터셋이다. 또한 연속적이고 작은 수체의 탐지 성능을 향상시키기 위해 새로운 피라미드 일致성 손실(PCL) 기반 베이스라인을 제안하며, 다양한 데이터셋과 실제 적용 영역에서 뛰어난 일반화 능력을 입증한다.

ABSTRACT

Global surface water detection in very-high-resolution (VHR) satellite imagery can directly serve major applications such as refined flood mapping and water resource assessment. Although achievements have been made in detecting surface water in small-size satellite images corresponding to local geographic scales, datasets and methods suitable for mapping and analyzing global surface water have yet to be explored. To encourage the development of this task and facilitate the implementation of relevant applications, we propose the GLH-water dataset that consists of 250 satellite images and manually labeled surface water annotations that are distributed globally and contain water bodies exhibiting a wide variety of types (e.g., rivers, lakes, and ponds in forests, irrigated fields, bare areas, and urban areas). Each image is of the size 12,800 $ imes$ 12,800 pixels at 0.3 meter spatial resolution. To build a benchmark for GLH-water, we perform extensive experiments employing representative surface water detection models, popular semantic segmentation models, and ultra-high resolution segmentation models. Furthermore, we also design a strong baseline with the novel pyramid consistency loss (PCL) to initially explore this challenge. Finally, we implement the cross-dataset and pilot area generalization experiments, and the superior performance illustrates the strong generalization and practical application of GLH-water. The dataset is available at https://jack-bo1220.github.io/project/GLH-water.html.

연구 동기 및 목표

• 매우 고해상도(VHR) 위성 영상에서 표면수 탐지에 대한 대규모이자 글로벌로 대표되는 데이터셋의 부족을 보완한다.
• 실제 응용에서 흔한 대규모 VHR 영상(12,800×12,800 픽셀)에서 작은, 복잡한, 연속적인 수체를 탐지하는 데 도전하는 문제를 해결한다.
• 글로벌 VHR 영상에서 최첨단 의미 분할 및 표면수 탐지 모델 평가를 위한 벤치마크를 수립한다.
• GLH-Water에서 학습된 모델의 다양한 데이터셋과 실제 적용 지역에서의 일반화 능력을 입증한다.
• 표면수 탐지의 고해상도 영역에서 연구를 진전시키기 위해 새로운 피라미드 일치성 손실(PCL) 기반 강력한 베이스라인을 제공한다.

제안 방법

• 세계 곳곳의 다양한 위치에서 250장의 VHR 위성 영상(0.3m GSD, 12,800×12,800 픽셀)을 수집하여 숲, 도시, 농경지, 근육지 등 다양한 수체 유형(강, 호수, 연못 등)을 포함한다.
• 정확한 픽셀 수준의 수체 마스크를 생성하기 위해 수작업 주석 처리 및 전문가 검토를 수행하였다.
• 다중 척도 특징의 일관성을 활용하여 연속적이고 얇은 수체의 탐지 성능을 향상시키기 위해 새로운 피라미드 일치성 손실(PCL)을 제안하였다.
• GLH-Water에서 최첨단 12종의 모델(표면수 전용, 일반 의미 분할, 초고해상도 분할 모델 포함)을 평가하여 성능 기준을 수립하였다.
• 교차 데이터셋 일반화 및 시범 지역 평가를 수행하여 GLH-Water에서 학습된 모델의 실용적 적용 가능성과 강건성을 검증하였다.
• 실제 도시 시범 지역(상하이 양푸구)에서 모델을 학습하고 테스트하여 어려운 조건인 그림자와 좁은 강줄기를 포함한 복잡한 환경에서의 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 대규모이자 글로벌로 분포된 VHR 위성 영상 데이터셋은 다양한 지리적 조건과 지형 타입에서 표면수 탐지 모델의 일반화 능력을 향상시킬 수 있는가?
• RQ2 제안된 피라미드 일치성 손실(PCL)은 대규모 VHR 영상에서 연속적이고 작은 수체를 보존하면서 오분류 및 누락 오류를 줄이는 데 얼마나 효과적인가?
• RQ3 GLH-Water에서 학습된 모델은 DeepGlobe나 LoveDA와 같은 다른 데이터셋으로 일반화되는 정도는 어느 정도이며, 해당 데이터셋에서 학습된 모델과 비교해 볼 때 어떤가?
• RQ4 건물 그림자와 좁은 수로 등 도전적인 특징을 포함한 실제 도시 환경에서 GLH-Water에서 학습된 모델의 성능은 얼마나 우수한가?
• RQ5 현재의 의미 분할 모델은 대규모 고해상도 표면수 탐지 작업에 적용했을 때 성능의 한계와 실패 원인은 무엇인가?

주요 결과

• GLH-Water는 대규모 고해상도 위성 영상에서 글로벌 표면수 탐지에 특화된 최초의 대규모 데이터셋으로, 다양한 글로벌 수체 유형과 환경을 포함한 250장의 이미지를 제공한다.
• 제안된 피라미드 일치성 손실(PCL)은 연속적이고 얇은 수체의 탐지 성능을 크게 향상시켜 기존 베이스라인 모델 대비 오분류 및 누락 오류를 감소시켰다.
• GLH-Water에서 학습된 모델은 DeepGlobe 테스트 세트에서 IoU 점수 74.43%를 기록했으며, LoveDA 테스트 세트에서는 68.15%를 기록하여 해당 데이터셋에서 학습된 모델들과 유사한 성능을 보이며 강력한 교차 데이터셋 일반화 능력을 입증했다.
• 실제 시범 지역(상하이 양푸구)에서 GLH-Water에서 학습된 모델은 IoU 75.99%를 기록하여 DeepGlobe, 2020 GF 챌린지, LoveDA 데이터셋에서 학습된 모델들을 모두 초월했다.
• 강력한 일반화 능력에도 불구하고, 좁은 강줄기 탐지 및 도시 환경에서의 그림자 간섭 문제 해결에 여전히 어려움을 겪고 있어未해결 과제로 남아 있음을 시사한다.
• GLH-Water에서 수립된 벤치마크는 의미 분할 모델의 체계적 평가를 가능하게 하며 원격 감지 분야에서 고해상도 표면수 탐지의 새로운 기준을 설정한다.