[논문 리뷰] OpenEarthMap: A Benchmark Dataset for Global High-Resolution Land Cover Mapping

Junshi Xia, Naoto Yokoya외 2명|arXiv (Cornell University)|2022. 10. 19.

Geographic Information Systems Studies인용 수 6

한 줄 요약

OpenEarthMap는 44개국 6개 대륙에 걸친 97개 지역에서 수집한 5,000장의 항공 및 인공위성 영상에서 220만 개의 세그먼트를 포함한 세계적으로 다양한 고해상도 토지 피복 기준 데이터셋을 제공한다. 이 데이터셋은 0.25–0.5m GSD에서 8종류의 토지 피복 클래스로 레이블링되어 있으며, 일반화된 의미 분할 모델 훈련과 자원 제약 조건 하에서의 무 supervision 도메인 적응 및 경량 모델 설계 연구를 지원한다.

ABSTRACT

We introduce OpenEarthMap, a benchmark dataset, for global high-resolution land cover mapping. OpenEarthMap consists of 2.2 million segments of 5000 aerial and satellite images covering 97 regions from 44 countries across 6 continents, with manually annotated 8-class land cover labels at a 0.25--0.5m ground sampling distance. Semantic segmentation models trained on the OpenEarthMap generalize worldwide and can be used as off-the-shelf models in a variety of applications. We evaluate the performance of state-of-the-art methods for unsupervised domain adaptation and present challenging problem settings suitable for further technical development. We also investigate lightweight models using automated neural architecture search for limited computational resources and fast mapping. The dataset is available at https://open-earth-map.org.

연구 동기 및 목표

• 6개 대륙에 걸친 44개국의 다양한 지역을 포함하여 기존 원격 감지 기준 데이터셋의 지리적 편향을 해소한다.
• 0.25–0.5m GSD의 초해상도(서브미터 해상도)에서 세부적인 수작업 레이블링을 제공함으로써 토지 피복 지ap핑의 정확도를 향상시킨다.
• 통합된 개방형 데이터셋을 통해 전 세계 토지 피복 지도 제작을 위한 일반화 가능한 의미 분할 모델 개발을 가능하게 한다.
• 자원 제약 조건이 있는 맵핑 응용 분야에서의 무 supervision 도메인 적응 및 효율적인 모델 설계 연구를 지원한다.
• 재난 대응, 도시 계획, 환경 모니터링 응용 분야를 위한 기초 자료로써 개방형 고품질 데이터를 제공한다.

제안 방법

• 재배포 가능한 기존 데이터셋(예: xBD, SpaceNet, Open Cities AI)에서 5,000장의 고해상도 RGB 영상을 확보하고, OpenAerialMap 및 국립 지리공간 기관의 개방형 항공 영상으로 보완한다.
• 지상 샘플링 거리(GSD) ≤ 0.5m 이며 지리공간 메타데이터가 포함된 영상만 선택하여 일관성과 글로벌 커버리지 확보.
• 0.25–0.5m GSD에서 8종류의 토지 피복 클래스(예: 갈라진 토양, 나무, 불透수 표면)로 수작업 레이블링을 수행하여 고정밀도 레이블링 확보.
• 지역적 표현 균형을 위해 각 지역(예: 도시 또는 성 수준)에서 50~70장의 영상 샘플링을 통해 지리적 편향 감소.
• 데이터셋을 기준 데이터로 활용하여 최신 의미 분할 및 무 supervision 도메인 적응 모델의 성능 평가.
• 계산 자원 제약 조건 하에서 성능 최적화를 위해 자동화된 신경망 아키텍처 탐색(NAS)을 통한 경량 모델 탐색.

실험 결과

연구 질문

• RQ1 OpenEarthMap에서 훈련된 의미 분할 모델은 다양한 글로벌 지역에서 토지 피복 특성이 상이한 환경에서도 효과적으로 일반화되는가?
• RQ2 OpenEarthMap의 미사용된 목표 지역으로의 지식 전이 시 최신 무 supervision 도메인 적응 방법의 성능은 어떠한가?
• RQ3 고해상도 토지 피복 분할 작업에서 NAS 최적화된 경량 아키텍처를 사용할 경우 정확도와 추론 효율성 간의 성능 트레이드오프는 어떠한가?
• RQ4 기존 기준 데이터셋 대비 OpenEarthMap은 토지 피복 지도 제작에서 지리적 편향을 얼마나 효과적으로 줄이는가?
• RQ5 OpenEarthMap에서 훈련된 오프더쇼프 모델은 재난 대응 및 빠른 맵핑과 같은 실세계 응용 분야에서 얼마나 효과적인가?

주요 결과

• OpenEarthMap는 44개국 97개 지역에서 확보한 5,000장의 영상에서 220만 개의 레이블링 세그먼트를 포함하며, 0.25–0.5m GSD에서 8종류의 토지 피복 클래스로 레이블링되어 있다.
• OpenEarthMap에서 훈련된 모델은 다양한 글로벌 지역에서 뛰어난 일반화 성능을 보이며, 미사용 지역에서의 기준 모델 대비 뛰어난 성능을 기록한다.
• 무 supervision 도메인 적응 방법은 OpenEarthMap에서 파생된 미세조정을 통해 성능 향상이 뚜렷하게 나타나, 이는 교차 지역 전이 학습에 대한 유용성을 입증한다.
• 자동화된 신경망 아키텍처 탐색을 통해 발견된 경량 모델은 FLOPs를 크게 감소시키면서도 경쟁 가능한 정확도(예: mIoU > 70%)를 달성하여 엣지 디바이스에서의 빠른 추론을 가능하게 한다.
• 기존 기준 데이터셋 대비 OpenEarthMap은 대륙 및 발전 수준 간 균형 잡힌 표현을 통해 지리적 편향을 효과적으로 감소시킨다.
• OpenEarthMap는 재난 대응 등 속도와 정확도가 중요한 응용 분야에서 의미 분할 모델의 오프더쇼프 배포를 가능하게 한다.