Abgrenzung von allem: Auflösungsunabhängige Feldranderkennung auf Satellitenbildern

Delineate Anything: Resolution-Agnostic Field Boundary Delineation on Satellite Imagery

April 3, 2025

Autoren: Mykola Lavreniuk, Nataliia Kussul, Andrii Shelestov, Bohdan Yailymov, Yevhenii Salii, Volodymyr Kuzin, Zoltan Szantoi

cs.AI

Zusammenfassung

Die präzise Abgrenzung landwirtschaftlicher Feldgrenzen aus Satellitenbildern ist entscheidend für die Landbewirtschaftung und die Überwachung von Nutzpflanzen. Allerdings stehen aktuelle Methoden vor Herausforderungen aufgrund begrenzter Datensatzgrößen, Auflösungsunterschieden und vielfältigen Umweltbedingungen. Wir adressieren dies, indem wir die Aufgabe als Instanzsegmentierung neu formulieren und den Field Boundary Instance Segmentation - 22M Datensatz (FBIS-22M) einführen, einen groß angelegten, multi-auflösenden Datensatz, der 672.909 hochauflösende Satellitenbildausschnitte (von 0,25 m bis 10 m) und 22.926.427 Instanzmasken einzelner Felder umfasst. Damit verringern wir die Lücke zwischen landwirtschaftlichen Datensätzen und denen aus anderen Bereichen der Computer Vision erheblich. Darüber hinaus schlagen wir Delineate Anything vor, ein Instanzsegmentierungsmodell, das auf unserem neuen FBIS-22M Datensatz trainiert wurde. Unser vorgeschlagenes Modell setzt einen neuen Maßstab und erreicht eine deutliche Verbesserung von 88,5 % in [email protected] und 103 % in [email protected]:0.95 gegenüber bestehenden Methoden, während es gleichzeitig eine deutlich schnellere Inferenz und eine starke Zero-Shot-Generalisierung über verschiedene Bildauflösungen und unbekannte geografische Regionen hinweg demonstriert. Code, vortrainierte Modelle und der FBIS-22M Datensatz sind unter https://lavreniuk.github.io/Delineate-Anything verfügbar.

English

The accurate delineation of agricultural field boundaries from satellite imagery is vital for land management and crop monitoring. However, current methods face challenges due to limited dataset sizes, resolution discrepancies, and diverse environmental conditions. We address this by reformulating the task as instance segmentation and introducing the Field Boundary Instance Segmentation - 22M dataset (FBIS-22M), a large-scale, multi-resolution dataset comprising 672,909 high-resolution satellite image patches (ranging from 0.25 m to 10 m) and 22,926,427 instance masks of individual fields, significantly narrowing the gap between agricultural datasets and those in other computer vision domains. We further propose Delineate Anything, an instance segmentation model trained on our new FBIS-22M dataset. Our proposed model sets a new state-of-the-art, achieving a substantial improvement of 88.5% in [email protected] and 103% in [email protected]:0.95 over existing methods, while also demonstrating significantly faster inference and strong zero-shot generalization across diverse image resolutions and unseen geographic regions. Code, pre-trained models, and the FBIS-22M dataset are available at https://lavreniuk.github.io/Delineate-Anything.