[논문 리뷰] Hi-UCD: A Large-scale Dataset for Urban Semantic Change Detection in Remote Sensing Imagery

Shiqi Tian, Ailong Ma외 2명|arXiv (Cornell University)|2020. 11. 06.

Remote-Sensing Image Classification참고 문헌 22인용 수 40

한 줄 요약

Hi-UCD는 도시 시맨틱 변화 탐지를 위한 대규모 초고해상도 항공 데이터셋을 세 시점과 9개 토지 피복 클래스로 도입하고, 전통 및 딥러닝 방법의 벤치마크를 제공합니다. 이는 정교한 다중 시점 UCD 연구를 가능하게 합니다.

ABSTRACT

With the acceleration of the urban expansion, urban change detection (UCD), as a significant and effective approach, can provide the change information with respect to geospatial objects for dynamical urban analysis. However, existing datasets suffer from three bottlenecks: (1) lack of high spatial resolution images; (2) lack of semantic annotation; (3) lack of long-range multi-temporal images. In this paper, we propose a large scale benchmark dataset, termed Hi-UCD. This dataset uses aerial images with a spatial resolution of 0.1 m provided by the Estonia Land Board, including three-time phases, and semantically annotated with nine classes of land cover to obtain the direction of ground objects change. It can be used for detecting and analyzing refined urban changes. We benchmark our dataset using some classic methods in binary and multi-class change detection. Experimental results show that Hi-UCD is challenging yet useful. We hope the Hi-UCD can become a strong benchmark accelerating future research.

연구 동기 및 목표

• 도시 변화 탐지(UCD)를 위한 고공해상도 데이터, 시맨틱 주석, 장거리 다중 시점 영상의 부족을 해결한다.
• 초고해상도와 다중 시점 커버리지를 갖는 대규모의 시맨틱하게 주석된 UCD 데이터셋을 생성한다.
• Hi-UCD에서 이진 및 다중 클래스 변화 탐지를 위한 전통적 방법과 딥러닝 방법을 unified benchmark로 제공한다.
• 시맨틱 라벨과 3년 기간의 시계쌍을 통해 정교한 도시 변화 분석을 가능하게 한다.

제안 방법

• 에스토니아 탈린의 0.1 m GSD로 초고해상도 항공 이미지를 수집한다.
• 에스토니아 지형 데이터베이스에 매핑된 9개 토지 피복 클래스를 주석 처리하고 연도별 시맨틱 변화 맵을 생성한다(2017-2018, 2018-2019, 2017-2019).
• 패치를 1024x1024 타일로 추출하고 변화 픽셀 >200인 패치를 원천으로 데이터셋을 구성한다.
• 지역당 세 시점 쌍을 제공하되(두 해 간 변화 및 세 해 간 변화) 계절성 일관성을 가진 정사투영 보정 이미지를 제공한다.
• 전통적(CVA, MAD, IRMAD) 및 딥러닝 접근법(FC_Siam_diff, FC_Siam_conc, FC_EF, FC_EF_Res, Siam_Res_EF; Deeplab v3/v3+, PSPNet, FarSeg)을 포함하는 이진/다중 클래스 변화 탐지 방법군을 벤치마킹한다.
• 표준 학습/평가 설정(SGD, learning rate 0.01, polynomial decay, batch size 4, 10k 또는 20k iterations, 데이터 증강)을 채택한다.

실험 결과

연구 질문

• RQ1 초고해상도(0.1 m) 항공 이미지와 시맨틱 주석이 기존 데이터셋보다 더 세밀한 도시 변화를 탐지할 수 있는가?
• RQ2 Hi-UCD에서 이진 및 다중 클래스 작업에 대해 전통적 변화 탐지 방법과 딥러닝 접근법의 성능은 어떻게 비교되는가?
• RQ3 Hi-UCD의 다중 시점 데이터에 적용했을 때 최첨단 시맨틱 분할 모델의 성능과 복잡성 간의 트레이드오프는 무엇인가?

주요 결과

• Hi-UCD는 359 image pairs (2017-2018), 386 pairs (2018-2019), 그리고 548 pairs (2017-2019)와 시맨틱 및 변화 맵을 제공합니다.
• 딥 러닝 방법은 평가 지표에서 전통적 변화 탐지 방법보다 상당히 우수한 성능을 보입니다.
• 이진 변화 방법 중 Siamese 및 EF 기반 네트워크가 OA 및 IoU가 더 높은 강력한 성능을 달성합니다, 전통적 CVA/MAD/IRMAD 벤치마인드보다.
• 다중 클래스 변화 탐지의 경우, 시맨틱 분할 모델(예: Deeplab v3 계열, PSPNet, FarSeg)이 경쟁력 있는 결과를 제공하지만 계산 비용이 더 높고 분류 정확도에 민감합니다.
• Hi-UCD의 초고해상도(0.1 m)는 미세 공간적 디테일을 드러내고 변화의 경계 구분을 더 정밀하게 가능하게 하며, 다중 시점 데이터(세 시점)는 도시 역학의 시간적 분석을 지원합니다.