Délimiter tout : Détection de limites de champs indépendante de la résolution sur des images satellitaires

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

April 3, 2025

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

cs.AI

Résumé

La délimitation précise des limites des parcelles agricoles à partir d'imagerie satellitaire est essentielle pour la gestion des terres et le suivi des cultures. Cependant, les méthodes actuelles rencontrent des difficultés en raison de la taille limitée des jeux de données, des écarts de résolution et des conditions environnementales variées. Nous abordons ce problème en reformulant la tâche comme un problème de segmentation d'instances et en introduisant le jeu de données Field Boundary Instance Segmentation - 22M (FBIS-22M), un ensemble de données à grande échelle et multi-résolution comprenant 672 909 patches d'images satellitaires haute résolution (allant de 0,25 m à 10 m) et 22 926 427 masques d'instances de parcelles individuelles, réduisant ainsi considérablement l'écart entre les jeux de données agricoles et ceux d'autres domaines de la vision par ordinateur. Nous proposons également Delineate Anything, un modèle de segmentation d'instances entraîné sur notre nouveau jeu de données FBIS-22M. Notre modèle proposé établit un nouvel état de l'art, avec une amélioration substantielle de 88,5 % en [email protected] et de 103 % en [email protected]:0.95 par rapport aux méthodes existantes, tout en démontrant une inférence significativement plus rapide et une forte généralisation zero-shot sur diverses résolutions d'images et régions géographiques inédites. Le code, les modèles pré-entraînés et le jeu de données FBIS-22M sont disponibles à l'adresse suivante : 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.