Delinear Cualquier Cosa: Delimitación de Límites de Campo Agnóstica a la Resolución en Imágenes Satelitales

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

April 3, 2025

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

cs.AI

Resumen

La delimitación precisa de los límites de los campos agrícolas a partir de imágenes satelitales es fundamental para la gestión del territorio y el monitoreo de cultivos. Sin embargo, los métodos actuales enfrentan desafíos debido al tamaño limitado de los conjuntos de datos, las discrepancias en la resolución y las diversas condiciones ambientales. Abordamos este problema reformulando la tarea como segmentación de instancias e introduciendo el conjunto de datos Field Boundary Instance Segmentation - 22M (FBIS-22M), un conjunto de datos a gran escala y multi-resolución que incluye 672,909 parches de imágenes satelitales de alta resolución (que van desde 0.25 m hasta 10 m) y 22,926,427 máscaras de instancias de campos individuales, reduciendo significativamente la brecha entre los conjuntos de datos agrícolas y aquellos en otros dominios de visión por computadora. Además, proponemos Delineate Anything, un modelo de segmentación de instancias entrenado en nuestro nuevo conjunto de datos FBIS-22M. Nuestro modelo propuesto establece un nuevo estado del arte, logrando una mejora sustancial del 88.5% en [email protected] y del 103% en [email protected]:0.95 sobre los métodos existentes, al mismo tiempo que demuestra una inferencia significativamente más rápida y una fuerte generalización zero-shot en diversas resoluciones de imágenes y regiones geográficas no vistas. El código, los modelos preentrenados y el conjunto de datos FBIS-22M están disponibles en https://lavreniuk.github.io/Delineate-Anything.

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.