Alles Afbakenen: Resolutie-Onafhankelijke Veldgrenzen Afbakenen op Satellietbeelden

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

Samenvatting

De nauwkeurige afbakening van landbouwpercelen uit satellietbeelden is cruciaal voor landbeheer en gewasmonitoring. Huidige methoden kampen echter met uitdagingen door beperkte datasetgroottes, resolutieverschillen en diverse omgevingsomstandigheden. Wij pakken dit aan door de taak te herformuleren als instance segmentation en introduceren de Field Boundary Instance Segmentation - 22M dataset (FBIS-22M), een grootschalige, multi-resolutie dataset bestaande uit 672.909 hoogwaardige satellietbeeldfragmenten (variërend van 0,25 m tot 10 m) en 22.926.427 instance masks van individuele percelen, waardoor de kloof tussen landbouwdatasets en die in andere computer vision domeinen aanzienlijk wordt verkleind. Verder stellen wij Delineate Anything voor, een instance segmentation model getraind op onze nieuwe FBIS-22M dataset. Ons voorgestelde model vestigt een nieuwe state-of-the-art, met een aanzienlijke verbetering van 88,5% in [email protected] en 103% in [email protected]:0.95 ten opzichte van bestaande methoden, terwijl het ook aanzienlijk snellere inferentie en sterke zero-shot generalisatie over diverse beeldresoluties en onbekende geografische regio's demonstreert. Code, vooraf getrainde modellen en de FBIS-22M dataset zijn beschikbaar op 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.