논문 링크 : https://arxiv.org/abs/2107.12283

Continental-Scale Building Detection from High Resolution Satellite Imagery

contiental 대륙의
고해상도 위성 이미지에서 대륙 규모 건물 감지

abstract

Identifying the locations and footprints of buildings is vital for many practical and scientific purposes.
건물의 위치와 발자국을 식별하는 것은 많은 실용적이고 과학적인 목적에 매우 중요합니다.
Such information can be particularly useful in developing regions where alternative data sources may be scarce.
이러한 정보는 대체 데이터 소스가 부족한 개발도상국에서 특히 유용할 수 있습니다.
In this work, we describe a model training pipeline for detecting buildings across the entire continent of Africa, using 50 cm satellite imagery.
이 작업에서는 50cm 위성 이미지를 사용하여 아프리카 대륙 전체에 걸쳐 건물을 감지하기 위한 모델 교육 파이프라인을 설명합니다.
Starting with the U-Net model, widely used in satellite image analysis, we study variations in architecture, loss functions, regularization, pre-training, self-training and post-processing that increase instance segmentation performance.
위성 영상 분석에 널리 사용되는 U-Net 모델을 시작으로 인스턴스 분할 성능을 높이는 아키텍처, 손실 함수, 정규화, 사전 학습, 자가 학습 및 후처리의 변형을 연구합니다.
Experiments were carried out using a dataset of 100k satellite images across Africa containing 1.75M manually labelled building instances, and further datasets for pre-training and self-training.
실험은 수동으로 레이블이 지정된 건물 인스턴스 175만 개를 포함하는 아프리카 전역의 100,000개 위성 이미지 데이터 세트와 사전 훈련 및 자가 훈련을 위한 추가 데이터 세트를 사용하여 수행되었습니다.
We report novel methods for improving performance of building detection with this type of model, including the use of mixup (mAP +0.12) and self-training with soft KL loss (mAP +0.06).
우리는 혼합(mAP + 0.12)과 부드러운 KL 손실(mAP + 0.06)을 사용한 자체 훈련을 포함하여 이러한 유형의 모델로 건물 감지 성능을 향상시키는 새로운 방법을 보고한다.
The resulting pipeline obtains good results even on a wide variety of challenging rural and urban contexts, and was used to create the Open Buildings dataset of 516M Africa-wide detected footprints.
rulral 시골의 urban 도시의
결과 파이프라인은 다양한 시골 및 도시 상황에서도 좋은 결과를 얻었으며, 아프리카 전역에서 감지된 발자국 5억 1600만 개에 대한 Open Buildings 데이터 세트를 생성하는 데 사용되었습니다.

13 Conclusion

We have presented a pipeline for instance segmentation of buildings in satellite imagery, used to detect buildings across the entire continent of Africa.
우리는 아프리카 대륙 전체의 건물을 감지하는 데 사용되는 위성 이미지의 건물 분할에 대한 파이프라인을 제시했습니다.
The methods that we have found for improving detection performance, such as self-training, mixup, and alternative forms of distance weighting, have been applied using the U-Net model, but could in principle be applied to other types of instance segmentation architectures.
principle 원칙적으로
자체 훈련, 혼합 및 대체 형태의 거리 가중치와 같은 탐지 성능을 개선하기 위해 찾은 방법은 U-Net 모델을 사용하여 적용되었지만 원칙적으로 다른 유형의 인스턴스 분할 아키텍처에도 적용될 수 있습니다.
There are a number of possible directions for improving detection performance further.
탐지 성능을 더욱 향상시키기 위한 여러 가지 가능한 방향이 있습니다.
One is the use of multi-modal imagery, e.g. adding Sentinel imagery to the input.
하나는 다중 모드 이미지를 사용하는 것입니다 (예 : 입력에 센티넬 이미지 추가).
Another is the use of detection architectures which explicitly find instances, rather than casting the problem as semantic segmentation.
또 다른 하나는 문제를 의미 론적 세분화로 캐스팅하는 대신 인스턴스를 명시 적으로 찾는 감지 아키텍처를 사용하는 것입니다.
As high-resolution overhead imagery becomes more widely available, improved methods for mapping the built environment can help to make progress on a number of practical and scientific applications.
고해상도 오버헤드 이미지가 더 널리 사용 가능해짐에 따라 건축 환경을 매핑하는 개선된 방법은 여러 실용적이고 과학적인 응용 프로그램을 발전시키는 데 도움이 될 수 있습니다.