Delimitar Qualquer Coisa: Delimitação de Limites de Campo Independente de Resolução em Imagens de Satélite

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

Resumo

A delimitação precisa dos limites de campos agrícolas a partir de imagens de satélite é crucial para o gerenciamento de terras e o monitoramento de culturas. No entanto, os métodos atuais enfrentam desafios devido ao tamanho limitado dos conjuntos de dados, discrepâncias de resolução e condições ambientais diversas. Abordamos esse problema reformulando a tarefa como segmentação de instâncias e introduzindo o conjunto de dados Field Boundary Instance Segmentation - 22M (FBIS-22M), um conjunto de dados em larga escala e multi-resolução que compreende 672.909 imagens de satélite de alta resolução (variando de 0,25 m a 10 m) e 22.926.427 máscaras de instância de campos individuais, reduzindo significativamente a lacuna entre conjuntos de dados agrícolas e aqueles em outros domínios de visão computacional. Além disso, propomos o Delineate Anything, um modelo de segmentação de instâncias treinado em nosso novo conjunto de dados FBIS-22M. Nosso modelo proposto estabelece um novo estado da arte, alcançando uma melhoria substancial de 88,5% em [email protected] e 103% em [email protected]:0.95 em relação aos métodos existentes, ao mesmo tempo em que demonstra inferência significativamente mais rápida e forte generalização zero-shot em diversas resoluções de imagem e regiões geográficas não vistas. Código, modelos pré-treinados e o conjunto de dados FBIS-22M estão disponíveis em 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.