Scene-to-Patch Earth Observation: Multiple Instance Learning for Land Cover Classification

要約

土地被覆分類 (LCC)、および土地利用が時間の経過とともにどのように変化するかを監視することは、気候変動の緩和と適応における重要なプロセスです。
LCC の地球観測データで機械学習を使用する既存のアプローチは、完全に注釈が付けられ、セグメント化されたデータセットに依存しています。
これらのデータセットを作成するには多大な労力が必要であり、適切なデータセットがないことが LCC の使用を拡大する際の障害となっています。
この研究では、Scene-to-Patch モデルを提案します。これは、高レベルのシーン ラベルのみを必要とする複数インスタンス学習 (MIL) を利用した代替の LCC アプローチです。
これにより、パッチレベルの予測によるセグメンテーションを提供しながら、新しいデータセットの開発を大幅に高速化できるため、最終的にさまざまなシナリオで LCC を使用する際のアクセシビリティが向上します。
DeepGlobe-LCC データセットでは、シーン レベルとパッチ レベルの両方の予測で、アプローチが非 MIL ベースラインよりも優れています。
この作業は、技術、政府、および学界の気候変動緩和方法における LCC の使用を拡大するための基盤を提供します。

要約(オリジナル)

Land cover classification (LCC), and monitoring how land use changes over time, is an important process in climate change mitigation and adaptation. Existing approaches that use machine learning with Earth observation data for LCC rely on fully-annotated and segmented datasets. Creating these datasets requires a large amount of effort, and a lack of suitable datasets has become an obstacle in scaling the use of LCC. In this study, we propose Scene-to-Patch models: an alternative LCC approach utilising Multiple Instance Learning (MIL) that requires only high-level scene labels. This enables much faster development of new datasets whilst still providing segmentation through patch-level predictions, ultimately increasing the accessibility of using LCC for different scenarios. On the DeepGlobe-LCC dataset, our approach outperforms non-MIL baselines on both scene- and patch-level prediction. This work provides the foundation for expanding the use of LCC in climate change mitigation methods for technology, government, and academia.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google