Определение границ объектов: агностичное к разрешению выделение границ полей на спутниковых снимках

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

April 3, 2025

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

cs.AI

Аннотация

Точное определение границ сельскохозяйственных полей на спутниковых снимках имеет ключевое значение для управления земельными ресурсами и мониторинга урожаев. Однако современные методы сталкиваются с трудностями из-за ограниченного размера наборов данных, различий в разрешении и разнообразия условий окружающей среды. Мы решаем эту проблему, переформулируя задачу как сегментацию экземпляров и представляя набор данных Field Boundary Instance Segmentation - 22M (FBIS-22M) — крупномасштабный мультиразрешенческий набор данных, включающий 672 909 высококачественных спутниковых изображений (с разрешением от 0,25 м до 10 м) и 22 926 427 масок экземпляров отдельных полей, что значительно сокращает разрыв между сельскохозяйственными наборами данных и наборами данных в других областях компьютерного зрения. Мы также предлагаем модель Delineate Anything для сегментации экземпляров, обученную на нашем новом наборе данных FBIS-22M. Наша модель устанавливает новый эталон, демонстрируя значительное улучшение на 88,5% по метрике [email protected] и на 103% по метрике [email protected]:0.95 по сравнению с существующими методами, а также обеспечивая значительно более быстрый вывод и сильную обобщающую способность в условиях нулевого обучения для различных разрешений изображений и неизученных географических регионов. Код, предобученные модели и набор данных FBIS-22M доступны по адресу 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.