Hi-ResNet：高解像度リモートセンシングセグメンテーションにおけるエッジディテールの強調

高解像度リモートセンシング（HRS）におけるセマンティックセグメンテーションは、高解像度のカバー領域から重要なオブジェクトを抽出する技術である。しかし、HRS画像内における同一カテゴリのオブジェクトは、地理環境の違いに応じて規模や形状に顕著な差異を示すことが多く、データ分布への適合が困難となる。さらに、複雑な背景環境により、異なるカテゴリのオブジェクトが外見上類似する場合が多く、多くのオブジェクトが背景と誤分類される。このような課題により、従来の学習アルゴリズムは最適ではない。本研究では、効率的なネットワーク構造設計を採用した高解像度リモートセンシングネットワーク（Hi-ResNet）を提案することで、上記の問題を解決する。Hi-ResNetは、フィンガールモジュール、情報集約（IA）ブロックをスタックさせたマルチブランチモジュール、および特徴精 refinementモジュールを順次配置し、さらにクラス無関係エッジ認識（CEA）損失関数を組み込む。具体的には、入力画像から高解像度のセマンティック情報を抽出しつつ計算コストを低減するためのフィンガールモジュールを提案する。次に、処理済み特徴画像を段階的に複数の多スケールブランチにダウンサンプリングし、異なるスケールの画像特徴を捉える。さらに、注意メカニズムを活用して重要な潜在情報を抽出するIAブロックを用いて、スケールや形状が異なる同一クラスの画像特徴を効果的に集約・区別する。最後に、特徴精 refinementモジュールにCEA損失関数を統合することで、形状が類似する異なるクラスのオブジェクトを明確に区別し、正解予測のためのデータ分布間距離を拡大する。有効な事前学習戦略を採用した結果、Hi-ResNetは3つのHRSセグメンテーションベンチマークにおいて、最先端手法を上回る性能を実証した。