SatlasPretrain: A Large-Scale Dataset for Remote Sensing Image Understanding

要約

リモート センシング画像は、森林伐採の追跡から違法漁業への取り組みまで、さまざまな惑星監視用途に役立ちます。
地球は非常に多様です。リモート センシング画像に含まれる潜在的なタスクの量は膨大で、特徴のサイズは数キロメートルからわずか数十センチメートルに及びます。
しかし、一般化可能なコンピューター ビジョン手法を作成することは、多くのタスクでこれらの多様な特徴を捕捉する大規模なデータセットが不足していることが部分的に課題です。
この論文では、Sentinel-2 と NAIP 画像を 137 のカテゴリと 7 つのラベル タイプの下にある 3 億 200 万のラベルと組み合わせた、幅と規模の両方で大規模なリモート センシング データセットである SatlasPretrain を紹介します。
私たちは、SatlasPretrain で 8 つのベースラインと提案された手法を評価し、非常に異なる種類のセンサーからの画像で構成される画像時系列の処理や、長時間の
-range 空間コンテキスト。
さらに、SatlasPretrain での事前トレーニングにより下流タスクのパフォーマンスが大幅に向上し、平均精度が ImageNet よりも 18%、次に優れたベースラインよりも 6% 向上することがわかりました。
データセット、事前トレーニングされたモデルの重み、およびコードは https://satlas-pretrain.allen.ai/ で入手できます。

要約(オリジナル)

Remote sensing images are useful for a wide variety of planet monitoring applications, from tracking deforestation to tackling illegal fishing. The Earth is extremely diverse — the amount of potential tasks in remote sensing images is massive, and the sizes of features range from several kilometers to just tens of centimeters. However, creating generalizable computer vision methods is a challenge in part due to the lack of a large-scale dataset that captures these diverse features for many tasks. In this paper, we present SatlasPretrain, a remote sensing dataset that is large in both breadth and scale, combining Sentinel-2 and NAIP images with 302M labels under 137 categories and seven label types. We evaluate eight baselines and a proposed method on SatlasPretrain, and find that there is substantial room for improvement in addressing research challenges specific to remote sensing, including processing image time series that consist of images from very different types of sensors, and taking advantage of long-range spatial context. Moreover, we find that pre-training on SatlasPretrain substantially improves performance on downstream tasks, increasing average accuracy by 18% over ImageNet and 6% over the next best baseline. The dataset, pre-trained model weights, and code are available at https://satlas-pretrain.allen.ai/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google