Urban Change Forecasting from Satellite Images

要約

新しい建物がいつどこに出現するかを予測することは、かなり未開拓のテーマですが、都市計画、農業、資源管理、さらには自律飛行など、多くの分野で非常に役立つトピックです。
今回の研究では、ディープ ニューラル ネットワークとカスタム事前トレーニング手順を使用してこのタスクを達成する方法を紹介します。
ステージ 1 では、(構築) 変更検出タスクを解決することを目的とした、シャム ネットワーク アーキテクチャ内で U-Net バックボーンが事前トレーニングされます。
ステージ 2 では、バックボーンが再利用され、建設前に取得された 1 枚の画像のみに基づいて新しい建物の出現を予測します。
さらに、変化が発生する時間範囲を予測するモデルも提示します。
私たちは、2 年間にわたる 24 時点で 960 km^2 のエリアをカバーする SpaceNet7 データセットを使用してアプローチを検証します。
私たちの実験では、私たちが提案した事前トレーニング方法が、ImageNet データセットを使用した従来の事前トレーニングよりも一貫して優れていることがわかりました。
また、建物の変更がいつ起こるかを事前に予測することがある程度可能であることも示します。

要約(オリジナル)

Forecasting where and when new buildings will emerge is a rather unexplored topic, but one that is very useful in many disciplines such as urban planning, agriculture, resource management, and even autonomous flying. In the present work, we present a method that accomplishes this task with a deep neural network and a custom pretraining procedure. In Stage 1, a U-Net backbone is pretrained within a Siamese network architecture that aims to solve a (building) change detection task. In Stage 2, the backbone is repurposed to forecast the emergence of new buildings based solely on one image acquired before its construction. Furthermore, we also present a model that forecasts the time range within which the change will occur. We validate our approach using the SpaceNet7 dataset, which covers an area of 960 km^2 at 24 points in time across two years. In our experiments, we found that our proposed pretraining method consistently outperforms the traditional pretraining using the ImageNet dataset. We also show that it is to some degree possible to predict in advance when building changes will occur.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google