リモートセンシング意味セグメンテーションのためのクロス方向集約と特徴損失最適化
Cross-Directional Aggregation and Feature-Loss Optimization for Remote Sensing Semantic Segmentation
高解像度リモートセンシングにおけるオブジェクトカテゴリの複雑さに起因するセグメンテーション結果の不連続な境界や、ストリップ状オブジェクトのグローバルな文脈的形態学的連続性をモデル化できないことによるセグメンテーションの断片化という課題に対し、クロス方向集約と特徴損失最適化を用いたリモートセンシング意味セグメンテーション手法を提案する。具体的には、ストリップオブジェクトのグローバルな文脈情報をモデル化するために、水平・垂直方向のクロス方向アテンション相互作用を用いる2段階クロス方向ストリップ特徴抽出モジュール(TCSFE)を設計した。さらに、ハイブリッドアテンションを用いて長距離特徴モデリングを強化するデュアルブランチ協調メカニズムを採用したハイブリッドアテンションガイド意味注入モジュール(HAGSI)を構築した。最後に、特徴融合最適化と統一スーパーピクセル損失最適化を用いて最終的なセグメンテーション結果を共同で最適化する特徴損失デュアル最適化ブーストスーパーピクセルエッジモジュール(FDOSE)を提案する。Potsdam、Vaihingen、および自社構築のTSRSDデータセットでの実験結果は、提案手法がmIoUスコアでPotsdam 79.93%、Vaihingen 80.25%、TSRSD 64.89%、RecallスコアでPotsdam 87.70%、Vaihingen 88.94%、TSRSD 73.25%を達成し、mIoUとRecallメトリクスにおいて最先端(SOTA)のパフォーマンスを達成することを示した。さらに、境界の連続性においても優位性を示した。
- クロス方向集約と特徴損失最適化を用いたリモートセンシング意味セグメンテーション手法を提案し、ストリップ状オブジェクトの断片化と境界不連続の課題に対応
- PotsdamでmIoU 79.93%、Vaihingenで80.25%、自社構築のTSRSDで64.89%を達成し、mIoUとRecallで最先端(SOTA)性能を報告
- RecallスコアはPotsdam 87.70%、Vaihingen 88.94%、TSRSD 73.25%で、境界の連続性でも優位性を確認
リモートセンシング向け意味セグメンテーションの学術研究であり、特定企業の製品・調達・規制動向には直結しないため、直接の投資対象は見えにくい。ただし衛星・航空画像の自動解析精度(mIoU/Recall)がSOTA水準に達している点は、地理空間AIや防災・農業・都市計画向け解析サービスの基盤技術として中期的に注目に値する。Potsdam 79.93%、Vaihingen 80.25%といったベンチマーク数値は、この分野の実用化水準を測る目安として押さえておきたい。