高解像度リモートセンシング画像における不均一サンプリングと半教師あり学習に基づく河川抽出

科学分野:

• リモートセンシング
• コンピュータビジョン
• 地理情報システム

背景:

• 正確な河川抽出は、水管理と災害対策に不可欠です。
• 既存のエンコーダー・デコーダーネットワークは、データの不足と詳細の損失に悩まされています。
• ラベルなしデータの活用は、河川抽出モデルを改善するための鍵となります。

研究 の 目的:

• 詳細の損失とデータの不足に対処する効果的な河川抽出手法を開発すること。
• ラベルなしデータを使用して既存のディープラーニングモデルを強化すること。
• 河川マッピングの精度と堅牢性を向上させること。

主な方法:

• 高頻度の河川エッジ領域を優先する不均一サンプリング戦略。
• 不均一サンプリング後の特徴融合のためのバイリニア補間。
• ラベルなしデータセットを利用するためのグラフベース半教師あり学習（SSL）。

主要な成果:

• Unet、Linknet、DeeplabV3モデルの精度とIoU（Intersection over Union）の向上。
• SSLをラベルなしデータで使用することにより、ピクセル精度（5.0％）とIoU（9.3％）の大幅な向上。
• Gaofen-2およびOpenEarthMapデータセットでの堅牢性と一般化能力の実証。

結論:

• 提案された不均一サンプリングとSSLフレームワークは、河川抽出を効果的に強化します。
• この手法は、リモートセンシングアプリケーションにおけるラベルなしデータの活用のための堅牢なソリューションを提供します。
• このアプローチは、正確な河川網の区切りを必要とするアプリケーションに貴重なツールを提供します。