An End-to-End Two-Phase Deep Learning-Based workflow to Segment Man-made Objects Around Reservoirs

要約

貯水池は、水資源を管理するための基本的なインフラです。そのため、貯水池の周辺に建設物があると、貯水池の水質に悪影響を及ぼす可能性があります。このような無許可の建造物は、土地被覆マッピング（LCM）リモートセンシング（RS）画像によって監視することができる。本論文では、貯水池周辺の人工物セグメンテーションのために、DLと画像処理技術に基づく新しいアプローチを開発する。貯水池周辺の人工物をエンドツーエンドでセグメント化するためには、貯水池のセグメント化と貯水池周辺の関心領域（RoI）の特定が不可欠である。提案する2段階のワークフローでは、最初にDLモデルを用いて貯水池をセグメンテーションする。このとき、浮遊植物などのエラーを除去するための後処理ステージが提案されています。次に、提案する画像処理技術を用いて貯水池周辺のRoI（RoIaR）を特定する。最後に、RoIaR内の人工物体をDLアーキテクチャを用いてセグメント化する。我々は、ブラジルの8つの貯水池の2年にわたるGoogle Earth（GE）画像を収集し、提案するワークフローを学習させた。U-NetベースとSegNetベースのアーキテクチャは、貯水池をセグメント化するために学習される。RoIaRの人工物をセグメント化するために、U-Net、FPN、LinkNet、PSPNetの4つの可能なアーキテクチャを学習し評価した。収集されたデータは多様であるが（例えば、異なる州、季節、解像度など）、両フェーズで良好な性能を達成した。さらに、提案する後処理を貯水池セグメンテーションの出力に適用することで、2つのケースを除くすべての調査対象貯水池で精度が向上した。また、学習用リザーバー以外のリザーバーデータセットを用いて、作成したワークフローを検証した。その結果、作成したワークフローは高い汎化能力を持つことがわかった。

要約(オリジナル)

Reservoirs are fundamental infrastructures for the management of water resources. Constructions around them can negatively impact their quality. Such unauthorized constructions can be monitored by land cover mapping (LCM) remote sensing (RS) images. In this paper, we develop a new approach based on DL and image processing techniques for man-made object segmentation around the reservoirs. In order to segment man-made objects around the reservoirs in an end-to-end procedure, segmenting reservoirs and identifying the region of interest (RoI) around them are essential. In the proposed two-phase workflow, the reservoir is initially segmented using a DL model. A post-processing stage is proposed to remove errors such as floating vegetation. Next, the RoI around the reservoir (RoIaR) is identified using the proposed image processing techniques. Finally, the man-made objects in the RoIaR are segmented using a DL architecture. We trained the proposed workflow using collected Google Earth (GE) images of eight reservoirs in Brazil over two different years. The U-Net-based and SegNet-based architectures are trained to segment the reservoirs. To segment man-made objects in the RoIaR, we trained and evaluated four possible architectures, U-Net, FPN, LinkNet, and PSPNet. Although the collected data has a high diversity (for example, they belong to different states, seasons, resolutions, etc.), we achieved good performances in both phases. Furthermore, applying the proposed post-processing to the output of reservoir segmentation improves the precision in all studied reservoirs except two cases. We validated the prepared workflow with a reservoir dataset outside the training reservoirs. The results show high generalization ability of the prepared workflow.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL