衛星およびストリートレベル画像に基づく、注釈効率の高い深層学習戦略によるマルチモーダル都市部の樹木検出

要旨: 目先の生物物理的な利点を超えて、都市の樹木は環境の持続可能性と災害の緩和における基盤的な役割を果たします。都市の樹木を正確に地図化することは、環境モニタリング、災害後の評価、政策の強化に不可欠です。しかし、伝統的で労働集約的な現地調査から、拡張可能な自動化システムへの移行は、高い注釈コストと、多様な都市シナリオに対する汎化性能の不十分さによって依然として制限されています。本研究では、限られた注釈条件下で、都市の樹木を大規模かつ詳細に検出できるようにするため、高解像度衛星画像と地上レベルのGoogle Street Viewを統合したマルチモーダル・フレームワークを提案します。このフレームワークはまず、衛星画像を用いて樹木候補を局所化し、その後、詳細検出のために狙いを定めた地上レベルの視点を取得することで、効率の悪い街路レベルのサンプリングを大幅に削減します。注釈のボトルネックに対処するため、ドメイン適応を用いて、既存の注釈付きデータセットから知識を関心領域となる新しい地域へ転移します。さらに人手の負担を最小化するため、トランスフォーマーに基づく検出モデルを用いて、3つの学習戦略（半教師あり学習、アクティブラーニング、およびその両方を組み合わせたハイブリッド手法）を評価しました。ハイブリッド戦略はF1スコア0.90を達成し、ベースラインモデルに対して12%の改善に相当しました。一方、半教師あり学習は、擬似ラベル付けにおける確証バイアスによって、段階的に性能が低下しました。アクティブラーニングは、不確実または誤った予測に対する標的的な人手介入によってラベル付けを行うことで、着実に結果を向上させました。誤り分析の結果も、アクティブおよびハイブリッドの戦略が、偽陽性と偽陰性の双方を低減したことを示しました。本研究の知見は、持続可能な都市計画を強化するために、拡張可能で注釈効率の高い都市の樹木マッピングを実現するうえで、マルチモーダルなアプローチとガイド付き注釈が重要であることを示しています。