偏りのない衛星画像セグメンテーションのためのダイナミックなクラス対応アクティブラーニング

概要: 衛星画像のセマンティックセグメンテーションは、土地被覆のマッピングや環境モニタリングにおいて重要な役割を果たします。しかし、大規模で高解像度の衛星データセットに対して注釈（ラベリング）を行うことは、特に広大な地理領域を対象とする場合にコストがかかり、時間も要します。そこで、大量のデータをランダムにラベル付けしたり、データセット全体を徹底的に注釈付けしたりするのではなく、アクティブラーニング（AL）は、Human-in-the-loop（HITL）の助けを借りて、注釈に最も有益なサンプルを知的に選択することで、ラベリングコストを削減しつつ高いモデル性能を維持できる効率的な代替手段を提供します。ALは、特に大規模、または資源に制約のある衛星アプリケーションにおいて有益であり、はるかに少ないラベル付きサンプルで高いセグメンテーション精度を実現できます。これらの利点がある一方で、標準的なAL戦略は通常、グローバルな不確実性や多様性の指標に依存しており、学習が進むにつれて、目標とする十分でないクラスや稀少クラスに適応する能力を欠いているため、システムにバイアスが生じます。これらの制約を克服するために、本研究では、リアルタイムのクラスごとの性能ギャップに基づいてサンプル選択を優先する、新しい適応型獲得関数Dynamic Class-Aware Uncertainty based Active learning（DCAU-AL）を提案します。これにより、クラス不均衡の問題を解消します。提案するDCAU-ALの仕組みは、クラスごとのセグメンテーション性能を継続的に追跡し、アクティブラーニングの過程を通じて、うまく機能していない、または十分に代表されていないクラスに焦点を当てるようにサンプリング重みを動的に調整します。OpenEarthの土地被覆データセットに対する大規模な実験により、DCAU-ALは既存のAL手法に比べて大幅に優れており、特に深刻なクラス不均衡の状況下で、クラスごとのIoUがより高くなり、注釈効率も向上することが示されました。