Advanced Deep Learning Architectures for Accurate Detection of Subsurface Tile Drainage Pipes from Remote Sensing Images

要約

地下タイル排水管は、農業、経済、および環境上の利点をもたらします。
湿った土壌の地下水面を下げることで、植物の根の通気性を改善し、最終的に農地の生産性を高めます。
しかし、それらは農薬の地下水域への入り口を提供し、土壌の栄養損失を増加させます.
メンテナンスとインフラ整備のために、タイル排水管の位置と排水された農地の正確な地図が必要です。
ただし、これらのマップは多くの場合、古くなっているか存在しません。
これらの制限を克服するために、さまざまなリモート センシング (RS) 画像処理技術が長年にわたって適用されてきました。
ディープ ラーニング (DL) 技術の最近の開発では、機械学習セグメンテーション モデルを使用して従来の技術が改善されています。
この研究では、2 つの DL ベースのモデルを紹介します。i) 改善された U-Net アーキテクチャ。
および ii) タイル排水管検出のフレームワークにおけるビジュアル トランスフォーマー ベースのエンコーダー/デコーダー。
実験結果は、基本的な U-Net アーキテクチャと比較した場合の検出精度に関して、両方のモデルの有効性を確認しています。
私たちのコードとモデルは、https://git.tu-berlin.de/rsim/drainage-pipes-detection で公開されています。

要約(オリジナル)

Subsurface tile drainage pipes provide agronomic, economic and environmental benefits. By lowering the water table of wet soils, they improve the aeration of plant roots and ultimately increase the productivity of farmland. They do however also provide an entryway of agrochemicals into subsurface water bodies and increase nutrition loss in soils. For maintenance and infrastructural development, accurate maps of tile drainage pipe locations and drained agricultural land are needed. However, these maps are often outdated or not present. Different remote sensing (RS) image processing techniques have been applied over the years with varying degrees of success to overcome these restrictions. Recent developments in deep learning (DL) techniques improve upon the conventional techniques with machine learning segmentation models. In this study, we introduce two DL-based models: i) improved U-Net architecture; and ii) Visual Transformer-based encoder-decoder in the framework of tile drainage pipe detection. Experimental results confirm the effectiveness of both models in terms of detection accuracy when compared to a basic U-Net architecture. Our code and models are publicly available at https://git.tu-berlin.de/rsim/drainage-pipes-detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google