リモートセンシング画像における高精度なセマンティックセグメンテーションのためのU-Netエンセムブル

リモートセンシング画像のセマンティックセグメンテーションは、リモートセンシングおよびコンピュータビジョンの分野において基本的なタスクの一つである。このタスクの目的は、画像の各ピクセルに対して特定のラベルを割り当てることにより、全体としてピクセル単位のセグメンテーションマップを生成することにある。これにより、地球表面の詳細な分析と理解が可能となる。本稿では、マルチアックスビジョントランスフォーマー（Multi-Axis Vision Transformer）、ConvFormer、EfficientNetの3種類の異なるバックボーンネットワークを用いたU-Netモデルのアンサンブルを活用することで、セマンティックセグメンテーションの性能向上を図る手法を提案する。各バックボーンが学習する多様な表現を活かすために、最終的なセグメンテーションマップは幾何平均アンサンブル法により生成される。提案手法およびベースとなるU-Netモデルの有効性は、リモートセンシング画像におけるセマンティックセグメンテーションタスクに広く用いられる複数のデータセット、すなわちLandCover.ai、LoveDA、INRIA、UAVid、ISPRS Potsdamデータセットを用いて評価された。実験結果から、提案手法が最先端の性能を達成することが示され、リモートセンシング画像に内在するセマンティック情報を正確に捉える能力の高さと、高い堅牢性が確認された。