論文の概要: Mask Clustering-based Annotation Engine for Large-Scale Submeter Land Cover Mapping

• arxiv url: http://arxiv.org/abs/2509.24374v1
• Date: Mon, 29 Sep 2025 07:21:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.813285
• Title: Mask Clustering-based Annotation Engine for Large-Scale Submeter Land Cover Mapping
• Title（参考訳）: マスククラスタリングによる大規模土地被覆地図作成のためのアノテーションエンジン
• Authors: Hao Chen, Fang Xu, Tamer Saleh, Weifeng Hao, Gui-Song Xia,
• Abstract要約: マスククラスタリングベース。 エンジン(MCAE) 私たちは、HiCity-LCと呼ばれる約140億個のラベル付きピクセルの高品質な注釈付きデータセットを構築します。 中国の主要都市5都市にまたがる都市規模の土地被覆地図の作成を支援し、85%以上をランク付けしている。
• 参考スコア（独自算出の注目度）: 31.67961109948338
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in remote sensing technology have made submeter resolution imagery increasingly accessible, offering remarkable detail for fine-grained land cover analysis. However, its full potential remains underutilized - particularly for large-scale land cover mapping - due to the lack of sufficient, high-quality annotated datasets. Existing labels are typically derived from pre-existing products or manual annotation, which are often unreliable or prohibitively expensive, particularly given the rich visual detail and massive data volumes of submeter imagery. Inspired by the spatial autocorrelation principle, which suggests that objects of the same class tend to co-occur with similar visual features in local neighborhoods, we propose the Mask Clustering-based Annotation Engine (MCAE), which treats semantically consistent mask groups as the minimal annotating units to enable efficient, simultaneous annotation of multiple instances. It significantly improves annotation efficiency by one to two orders of magnitude, while preserving label quality, semantic diversity, and spatial representativeness. With MCAE, we build a high-quality annotated dataset of about 14 billion labeled pixels, referred to as HiCity-LC, which supports the generation of city-scale land cover maps across five major Chinese cities with classification accuracies above 85%. It is the first publicly available submeter resolution city-level land cover benchmark, highlighting the scalability and practical utility of MCAE for large-scale, submeter resolution mapping. The dataset is available at https://github.com/chenhaocs/MCAE
• Abstract（参考訳）: リモートセンシング技術の最近の進歩により、サブメーター解像度のイメージがますますアクセスしやすくなり、きめ細かな土地被覆解析に顕著な詳細が提供されるようになった。 しかし、十分に高品質な注釈付きデータセットが不足しているため、その潜在能力は未利用のままで、特に大規模な土地被覆マッピングでは不十分である。 既存のラベルは、通常、既存の製品や手動の注釈から派生しており、特に豊富なビジュアルディテールとサブメーター画像の膨大なデータ量を考えると、しばしば信頼性が低いか、あるいは違法に高価である。 局所的自己相関原理に着想を得て,同じクラスのオブジェクトが局所的に類似した視覚的特徴を持つ傾向があることを示唆し,意味的に一貫したマスク群を最小限のアノテート単位として扱うMask Clustering-based Annotation Engine (MCAE)を提案する。 ラベルの品質、意味的多様性、空間的表現性を保ちながら、1～2桁のアノテーション効率を著しく向上させる。 MCAEでは、ハイシティLCと呼ばれる約140億画素の高品質なアノテートデータセットを構築しました。 これは、大規模なサブメーター解像度マッピングのためのMCAEのスケーラビリティと実用性を強調した最初の公開サブメーター解像度都市レベルの土地被覆ベンチマークである。 データセットはhttps://github.com/chenhaocs/MCAEで公開されている。

関連論文リスト

• LC-SLab -- An Object-based Deep Learning Framework for Large-scale Land Cover Classification from Satellite Imagery and Sparse In-situ Labels [25.42215602005236]
  本研究では,大規模土地被覆分類のためのオブジェクトベース深層学習手法をスパース監督下で探索するLC-SLabを提案する。 LC-SLabは、グラフニューラルネットワークによる入力レベルアグリゲーションと、後処理の結果による出力レベルアグリゲーションの両方をサポートする。 その結果、オブジェクトベースの手法は、よりコヒーレントなマップを生成しながら、一般的なピクセル単位のモデルの精度を一致または超えることができることがわかった。
  論文  参考訳（メタデータ） (2025-09-19T11:08:24Z)
• IRSAMap:Towards Large-Scale, High-Resolution Land Cover Map Vectorization [37.95801085939]
  IRSAMapは、大規模、高解像度、多機能なランドカバーベクトルマッピングのための最初のグローバルリモートセンシングデータセットである。 IRSAMapには4つの大きな利点がある: 1) 一般的な10のオブジェクトの1.8万以上のインスタンスを持つ包括的なベクトルアノテーションシステム、2) 効率と一貫性を改善するために手動とAIベースの手法を組み合わせたインテリジェントなアノテーションワークフロー、3) 合計1000kmを超える6大陸79リージョンにわたるグローバルカバレッジ、4) ピクセルレベルの分類、ビルディングアウトライン抽出、道路中心線抽出、パノラマセグメンテーションといったタスクに対するマルチタスク適応性。
  論文  参考訳（メタデータ） (2025-08-22T10:14:18Z)
• MGMap: Mask-Guided Learning for Online Vectorized HD Map Construction [17.16231247910372]
  本稿では,情報領域を効果的に強調し,正確な地図要素の局所化を実現するマスク誘導方式MGMapを提案する。 具体的には、MGMapは2つの観点から強化されたマルチスケールBEV機能に基づいて学習マスクを採用する。 ベースラインと比較して,提案したMGMapは,入力モードが異なる場合,約10mAPの顕著な改善を実現している。
  論文  参考訳（メタデータ） (2024-04-01T03:13:32Z)
• R-MAE: Regions Meet Masked Autoencoders [113.73147144125385]
  我々は、自己教師付き画像表現学習のための単語の潜在的な視覚的類似として領域を探索する。 生成前トレーニングベースラインであるMasked Autoencoding (MAE) に触発されて, 画素群や領域群から学習するためのマスク付き領域オートエンコーディングを提案する。
  論文  参考訳（メタデータ） (2023-06-08T17:56:46Z)
• High-Quality Entity Segmentation [110.55724145851725]
  CropFormerは高解像度画像におけるインスタンスレベルのセグメンテーションの難易度に対処するために設計されている。 よりきめ細かい画像とフルイメージを提供する高解像度の画像作物を融合することで、マスク予測を改善する。 CropFormerでは、難易度の高いエンティティセグメンテーションタスクで1.9ドルという大きなAP利益を達成しています。
  論文  参考訳（メタデータ） (2022-11-10T18:58:22Z)
• Discriminative Region-based Multi-Label Zero-Shot Learning [145.0952336375342]
  マルチラベルゼロショット学習(Multi-label zero-shot Learning、ZSL)は、標準のシングルラベルZSLのより現実的な対位法である。 本稿では,地域別識別可能性保存型ZSLに対する代替アプローチを提案する。
  論文  参考訳（メタデータ） (2021-08-20T17:56:47Z)
• Towards Semantic Segmentation of Urban-Scale 3D Point Clouds: A Dataset, Benchmarks and Challenges [52.624157840253204]
  我々は、30億点近い注釈付きポイントを持つ都市規模の測光点クラウドデータセットを提示する。 私たちのデータセットは、イギリスの3つの都市からなり、都市の景観の約7.6km2をカバーしています。 我々は,データセット上での最先端アルゴリズムの性能を評価し,その結果を包括的に分析する。
  論文  参考訳（メタデータ） (2020-09-07T14:47:07Z)
• SkyScapes -- Fine-Grained Semantic Understanding of Aerial Scenes [11.624882816971049]
  画素レベルのセマンティックラベリングのための高精度できめ細かいアノテーションを備えた航空画像データセットであるSkyScapesを紹介した。 SkyScapesは、建物、道路、植生などの大きな構造から、レーンマーキングの12(サブカテゴリ)のような細部まで、31のセマンティックカテゴリのアノテーションを提供している。 セマンティックエッジ検出を取り入れた新しいマルチタスクモデルを提案する。
  論文  参考訳（メタデータ） (2020-07-12T21:44:38Z)
• Rethinking Localization Map: Towards Accurate Object Perception with Self-Enhancement Maps [78.2581910688094]
  本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。 特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
  論文  参考訳（メタデータ） (2020-06-09T12:35:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。