リモートセンサデータからの意味的セグメンテーションおよび補助タスク分類における潜在学習の活用

本論文では、深層ニューラルネットワークを用いたリモートセンシングデータからの意味的セグメンテーションに関する、3つの異なる側面に着目する。まず、リモートセンシングデータからの建物の意味的セグメンテーションに焦点を当て、ICT-Netを提案する。提案するネットワークは、INRIAおよびAIRSのベンチマークデータセット上で評価され、それぞれJaccard係数において他の最先端手法を1.5%以上、1.8%以上上回ることが示された。次に、建物分類は通常、3次元再構成プロセスの第一段階として行われるため、分類精度と再構成精度の関係を検討する。最後に、潜在的学習（latent learning）という単純ながら強力な概念と、その深層学習における意味を提示する。我々は、主タスク（例：建物分類）に訓練されたネットワークが、主タスクと補完的な副次的タスク（例：道路、木、車両など）について意図せず学習していると仮定する。この手法は、マルチラベルの真値を含むISPRSベンチマークデータセット上で広範に検証され、道路の平均分類精度（F1スコア）は54.29%（標準偏差=17.03）、車両は10.15%（SD=2.54）、木は24.11%（SD=5.25）、低木植生は42.74%（SD=6.62）、雑物（clutter）は18.30%（SD=16.08）であることが報告された。本研究のソースコードおよび補足資料は、http://www.theICTlab.org/lp/2019ICT-Net/ にて公開されている。