나무 사이로 도로를 보다: 공중 영상을 이용한 공간 의존성 모델링을 위한 벤치마크

복잡한 고해상도 위성 또는 항공 영상 장면을 완전히 이해하기 위해서는 넓은 관련 맥락에 대한 공간적 추론이 필요합니다. 인간의 물체 인식 시스템은 장면 내에서 먼 거리의 관련 맥락을 통해 물체를 이해할 수 있습니다. 예를 들어, 인간이 나무 군락으로 인해 단절된 도로 섹션을 보여주는 항공 영상을 관찰한다면, 나무가 실제로 도로를 분리시켰다고 결론짓기보다는 근처의 나무 군락이 도로를 가리고 있다고 생각할 가능성이 높습니다. 그러나 현대 머신러닝 모델의 먼 거리 맥락 이해에 대한 연구는 제한적이며, 이에 대한 이해를 평가하기 위한 지리공간 머신러닝 모델의 공간적 먼 거리 맥락 이해 벤치마크 데이터셋인 Chesapeake Roads Spatial Context (RSC)를 제안합니다. 우리는 일반적으로 사용되는 의미 분할 모델들이 이러한 작업에서 실패하는 방법을 보여주는데, 예를 들어 U-Net이 항공 영상에서 배경과 도로를 분할하도록 훈련되었음에도 불구하고, 가려지지 않은 도로에서는 84%의 재현율을 보이는 반면, 나무 군락으로 덮힌 도로에서는 63.5%의 재현율만을 보임을 입증하였습니다. 또한 결정에 필요한 맥락(우리 경우에서는 가려지지 않은 도로)이 거리에 따라 변함에 따라 모델 성능이 어떻게 변화하는지를 분석하였습니다. 우리는 이 방향으로 미래 연구를 촉진하기 위해 실험 재현 코드와 영상 및 마스크 데이터셋을 공개합니다 -- https://github.com/isaaccorley/ChesapeakeRSC.