3D land cover mapping from satellite imagery by weakly supervised learning

本年度は，人によるアノテーションなしで入手可能な低コストの教示データを手掛かりに，土地被覆と標高に関する情報を抽出する基盤技術の開発に取り組み，以下３つの項目を実現した．１）土地被覆地図超解像：低解像度で不正確な土地被覆地図を教示データとして，高解像度リモートセンシング画像から高解像度土地被覆地図を推定する土地被覆地図超解像に取り組んだ．低解像度ラベルのなかで不正確なラベルを学習から除外する弱教師付き学習と，ラベル無し画像から得られる擬似ラベルを利用する半教師付き学習を統合した土地被覆分類アルゴリズムを開発した．土地被覆地図超解像のためのベンチマークデータを用いた評価により，提案手法の有効性を確認した．２）地上撮影画像を用いた単眼衛星画像からの標高推定の高精度化：単眼衛星画像と空間的に疎な地点で撮影された地上撮影画像から，数値標高モデルを推定する機械学習モデルのプロトタイプを開発した．予備実験により，地上画像から得られる奥行き情報を活かすことで，単眼衛星画像から得られる数値標高モデルの推定精度の向上を確認した．３）異種画像を用いた土地被覆変化検出：光学センサやSARから得られる異種リモートセンシング画像を用いた土地被覆変化検出に取り組んだ．特に，グラフ表現学習や周波数解析を応用することで，教示データを用いることなく2時期の異種画像から土地被覆の変化検出を実現するアルゴリズムを開発した．土地被覆変化検出のためのベンチマークデータを用いた評価において，最先端の性能を記録した．

本年度は，人によるアノテーションなしで入手可能な低コストの教示データを手掛かりに，土地被覆と標高に関する情報を抽出する基盤技術の開発に取り組み，以下３つの項目を実現した．１）土地被覆地図超解像：低解像度で不正確な土地被覆地図を教示データとして，高解像度リモートセンシング画像から高解像度土地被覆地図を推定する土地被覆地図超解像に取り組んだ．低解像度ラベルのなかで不正確なラベルを学習から除外する弱教師付き学習と，ラベル無し画像から得られる擬似ラベルを利用する半教師付き学習を統合した土地被覆分類アルゴリズムを開発した．土地被覆地図超解像のためのベンチマークデータを用いた評価により，提案手法の有効性を確認した．２）地上撮影画像を用いた単眼衛星画像からの標高推定の高精度化：単眼衛星画像と空間的に疎な地点で撮影された地上撮影画像から，数値標高モデルを推定する機械学習モデルのプロトタイプを開発した．予備実験により，地上画像から得られる奥行き情報を活かすことで，単眼衛星画像から得られる数値標高モデルの推定精度の向上を確認した．３）異種画像を用いた土地被覆変化検出：光学センサやSARから得られる異種リモートセンシング画像を用いた土地被覆変化検出に取り組んだ．特に，グラフ表現学習や周波数解析を応用することで，教示データを用いることなく2時期の異種画像から土地被覆の変化検出を実現するアルゴリズムを開発した．土地被覆変化検出のためのベンチマークデータを用いた評価において，最先端の性能を記録した．