Cross Psuedo Supervision Framework for Sparsely Labelled Geo-spatial Images

要約

土地利用土地被覆 (LULC) マッピングは都市計画と資源計画に不可欠であり、スマートで持続可能な都市の開発における重要な要素の 1 つです。
この研究では、インド国内のさまざまな地域のデータ分布が非常に多様である高解像度衛星画像を使用した、LULC 予測のための半教師ありセグメンテーション モデルを導入します。
私たちのアプローチは、これらの個別のエリア内のさまざまなタイプの建物、道路、樹木、水域にわたって確実な一般化を保証します。
まばらにラベル付けされたデータで画像セグメンテーション モデルをトレーニングするために、修正された Cross Pseudo Supervision フレームワークを提案します。
提案されたフレームワークは、半教師あり学習のための一般的な「相互擬似教師」技術の制限に対処します。
具体的には、まばらで不正確なラベルを持つノイズの多い衛星画像データでセグメンテーション モデルをトレーニングするという課題に取り組みます。
この包括的なアプローチにより、さまざまな都市計画アプリケーションにおける LULC マッピングの精度と実用性が向上します。

要約(オリジナル)

Land Use Land Cover (LULC) mapping is essential for urban and resource planning and is one of the key elements in developing smart and sustainable cities. This study introduces a semi-supervised segmentation model for LULC prediction using high-resolution satellite images with a huge diversity in data distributions in different areas from the country of India. Our approach ensures a robust generalization across different types of buildings, roads, trees, and water bodies within these distinct areas. We propose a modified Cross Pseudo Supervision framework to train image segmentation models on sparsely labelled data. The proposed framework addresses the limitations of the popular ‘Cross Pseudo Supervision’ technique for semi-supervised learning. Specifically, it tackles the challenges of training segmentation models on noisy satellite image data with sparse and inaccurate labels. This comprehensive approach enhances the accuracy and utility of LULC mapping for various urban planning applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google