核心概念
リモートセンシングにおける少量学習セマンティックセグメンテーションの一般化された設定を提案し、それに対するベンチマークを提供する。
摘要
本研究では、リモートセンシングにおける一般化された少量学習セマンティックセグメンテーションの課題とベンチマークを提案している。
まず、OpenEarthMapデータセットを拡張し、15クラスの細粒度な土地被覆ラベルを持つOEM-GFSSデータセットを作成した。これは、一般化された少量学習セマンティックセグメンテーションの設定に適したデータセットである。
次に、この課題に対するベースラインモデルとして、状態の最先端の一般化された少量学習セマンティックセグメンテーション手法であるDIaMを適用した。さらに、5つの優秀な提案手法の結果も示した。これらの手法は、ラベル付きデータが少ない状況下でのベース/新規クラスの両方の性能を向上させるための様々な戦略を採用している。
最後に、提案するOEM-GFSSデータセットとベンチマークを公開することで、リモートセンシングにおける少量学習の研究を促進することが期待される。
統計資料
新規クラスの検出精度(IoU)が低く、ベースクラスの精度を維持しつつ新規クラスの精度を向上させることが課題である。
例えば、ベースラインモデルの新規クラスの平均IoUは9.21%と低い。
引述
"リモートセンシングにおける少量学習は、現在のファウンデーションモデルの登場と、そのような少量プロンプティングの実証により、特に重要になってきている。"
"一般化された少量学習セマンティックセグメンテーションは、より現実的な設定であり、ベースクラスの性能を維持しつつ新規クラスにも適応する必要があるため、より挑戦的である。"