Enabling Country-Scale Land Cover Mapping with Meter-Resolution Satellite Imagery

要約

タイトル：メートルレベルの衛星画像による国家規模の土地被覆マッピングの可能性
要約：
– 高解像度な衛星画像は、複雑な人工環境の研究に特に重要な土地被覆分類のために、豊富かつ詳細な空間情報を提供できる。
– しかし、複雑な土地被覆パターン、高コストの教師データセットの収集、および衛星画像の厳しい分布シフトなどの問題により、高解像度画像を詳細なカテゴリでの大規模な土地被覆マッピングに適用した研究はほとんど行われていない。
– このギャップを埋めるために、研究者らは、5億ピクセル以上のラベル付き画素を持つ大規模な土地被覆データセットを提案する。このデータセットは、24のカテゴリに分類された、人工建造物、農業、および自然クラスをカバーする150枚の高解像度のGaofen-2 (4 m)衛星画像でアノテーションされている。
– このデータセットを用いて、教師データセットでトレーニングされた分類モデルをラベルなしデータ（ターゲットドメイン）に転送する、深層学習をベースにした教師なしドメイン適応アプローチを提案する。
– 具体的には、ダイナミックな疑似ラベル割り当てとクラスバランス戦略を採用したエンドツーエンドのSiameseネットワークを紹介し、適応ドメインのジョイント学習を行う。
– 中国内の5つのメガシティおよび5か国の6つの市をそれぞれ対象に、PlanetScope（3 m）、Gaofen-1（8 m）、Sentinel-2（10 m）の衛星画像を使用して土地被覆マッピングを行い、提案手法の汎用性とデータセットの有用性を検証する。
– 結果、60,000平方キロ米の総研究エリアにおいて、入力画像が完全にラベルされていなくても、提案手法（Five-Billion-Pixelsデータセットでトレーニングされた）により、メートルレベルの高品質かつ詳細な土地被覆マッピングが可能になる。

要約(オリジナル)

High-resolution satellite images can provide abundant, detailed spatial information for land cover classification, which is particularly important for studying the complicated built environment. However, due to the complex land cover patterns, the costly training sample collections, and the severe distribution shifts of satellite imageries, few studies have applied high-resolution images to land cover mapping in detailed categories at large scale. To fill this gap, we present a large-scale land cover dataset, Five-Billion-Pixels. It contains more than 5 billion labeled pixels of 150 high-resolution Gaofen-2 (4 m) satellite images, annotated in a 24-category system covering artificial-constructed, agricultural, and natural classes. In addition, we propose a deep-learning-based unsupervised domain adaptation approach that can transfer classification models trained on labeled dataset (referred to as the source domain) to unlabeled data (referred to as the target domain) for large-scale land cover mapping. Specifically, we introduce an end-to-end Siamese network employing dynamic pseudo-label assignment and class balancing strategy to perform adaptive domain joint learning. To validate the generalizability of our dataset and the proposed approach across different sensors and different geographical regions, we carry out land cover mapping on five megacities in China and six cities in other five Asian countries severally using: PlanetScope (3 m), Gaofen-1 (8 m), and Sentinel-2 (10 m) satellite images. Over a total study area of 60,000 square kilometers, the experiments show promising results even though the input images are entirely unlabeled. The proposed approach, trained with the Five-Billion-Pixels dataset, enables high-quality and detailed land cover mapping across the whole country of China and some other Asian countries at meter-resolution.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI