[논문 리뷰] LandCover.ai: Dataset for Automatic Mapping of Buildings, Woodlands and Water from Aerial Imagery.

Adrian Boguszewski, Dominik Batorski외 3명|arXiv (Cornell University)|2020. 05. 05.

Remote-Sensing Image Classification참고 문헌 31인용 수 10

한 줄 요약

LandCover.ai는 농촌 폴란드 전역의 건물, 숲, 수역을 위한 의미적 분할을 위한 공개 가능하고 고해상도 항공 영상 데이터셋을 제공한다. 총 216.27㎢의 영역을 포함하며, 픽셀당 50cm 및 25cm 해상도로, 정교한 수작업 레이블링이 이루어졌다. 이 데이터셋은 기준 테스트에서 90.18%의 평균 교차율을 달성하여, 비용 효율적인 RGB 전용 데이터로도 정확한 자동 지형 분류가 가능하다는 것을 입증한다.

ABSTRACT

Monitoring of land cover and land use is crucial in natural resources management. Automatic visual mapping can carry enormous economic value for agriculture, forestry, or public administration. Satellite or aerial images combined with computer vision and deep learning enable the precise assessment and can significantly speed up the process of change detection. Aerial imagery usually provides images with much higher pixel resolution than satellite data allowing more detailed mapping. However, there is still a lack of aerial datasets that were made for the segmentation, covering rural area with resolution of tens centimeters per pixel, manual fine labels and highly publicly important environmental instances like buildings, woods or water. Here we introduce this http URL (Land Cover from Aerial Imagery) dataset for semantic segmentation. We collected images of 216.27 sq. km rural areas across Poland, a country in Central Europe, 39.51 sq. km with resolution 50 cm per pixel and 176.76 sq. km with resolution 25 cm per pixel and manually fine annotated three following classes of objects: buildings, woodlands, and water. Additionally, we report simple benchmark results, achieving 90.18% of mean intersection over union on the test set. It proves that the automatic mapping of land cover is possible with relatively small, cost efficient, RGB only dataset. The dataset is publicly available at this http URL

연구 동기 및 목표

• 농촌 지역에서 의미적 분할을 위한 공개 가능하고 고해상도 항공 영상 데이터셋이 부족한 문제를 해결하기 위해.
• 농업, 산림, 공공 행정 분야의 자동 지형 분류 지원을 위해.
• 센티미터 수준의 해상도와 건물, 숲, 수역과 같은 중요한 환경적 특징에 대한 정밀 레이블을 갖춘 기준 데이터셋을 제공하기 위해.
• 다중 스펙트럼 데이터 없이도 정확한 의미적 분할이 RGB 항공 영상만으로 가능하다는 것을 입증하기 위해.

제안 방법

• 폴란드 농촌 지역에서 총 216.27㎢의 항공 영상 수집, 픽셀당 50cm 해상도로 39.51㎢, 픽셀당 25cm 해상도로 176.76㎢.
• 건물, 숲, 수역 세 가지 의미적 클래스에 대한 수작업 정밀 레이블링을 통해 고정밀도 레이블링 확보.
• 표준 딥러닝 모델을 사용한 의미적 분할, 입력은 오직 RGB 영상으로만 훈련.
• 보류된 테스트 세트에서 평균 교차율(mIoU)을 사용해 성능 평가 및 기준 테스트 수행.
• 재현 가능성과 커뮤니티 활용을 위해 전용 URL을 통해 데이터셋 공개.
• 표준 컴퓨터 비전 파이프라인 적용을 통해 변화 탐지 및 분할 정확도 평가.

실험 결과

연구 질문

• RQ1 상대적으로 소규모이지만 공개 가능하고 RGB 전용 항공 영상 데이터셋이 주요 지형 분류 유형의 의미적 분할에서 높은 성능을 달성할 수 있는가?
• RQ2 고해상도(25cm) 영상의 포함 여부가 저해상도(50cm) 데이터에 비해 분할 정확도에 어떤 영향을 미치는가?
• RQ3 정교한 수작업 레이블링이 농촌 지형 분류의 모델 일반화 능력 향상에 어느 정도 기여하는가?
• RQ4 비용 효율적인 데이터 수집 및 처리 파이프라인을 통해 건물, 숲, 수역의 자동 분류가 가능할 수 있는가?

주요 결과

• LandCover.ai 데이터셋은 테스트 세트에서 평균 교차율(mIoU) 점수 90.18%를 기록하여 높은 분할 정확도를 보였다.
• 데이터셋은 픽셀당 50cm 해상도로 39.51㎢, 픽셀당 25cm 해상도로 176.76㎢의 폴란드 농촌 지역 영역을 포함한다.
• 건물, 숲, 수역과 같은 핵심 지형 분류 세 가지에 대해 정교한 수작업 레이블링을 대규모로 성공적으로 구현하였다.
• 결과적으로 다중 스펙트럼 또는 LiDAR 데이터 없이도 RGB 항공 영상만으로도 고정밀도 의미적 분할이 가능하다는 것이 입증되었다.
• 데이터셋은 공개되어 있어 지형 분류 분야에서 재현 가능한 연구 및 기준 테스트를 가능하게 한다.
• 기준 테스트 결과는 비용 효율적이고 고해상도의 RGB 데이터로도 정밀하고 확장 가능한 지형 평가가 가능하다는 것을 확인한다.