論文の概要: Delineate Anything Flow: Fast, Country-Level Field Boundary Detection from Any Source

• arxiv url: http://arxiv.org/abs/2511.13417v1
• Date: Mon, 17 Nov 2025 14:30:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:25.302485
• Title: Delineate Anything Flow: Fast, Country-Level Field Boundary Detection from Any Source
• Title（参考訳）: 任意のソースからの高速でカントリーレベルなフィールド境界検出
• Authors: Mykola Lavreniuk, Nataliia Kussul, Andrii Shelestov, Yevhenii Salii, Volodymyr Kuzin, Sergii Skakun, Zoltan Szantoi,
• Abstract要約: Delineate Anything Flow (DelAnyFlow) は、大規模フィールド境界マッピングのための分解能に依存しないアプローチである。 このタイプの最大のデータセットであるFBIS 22Mには、672,909のマルチ解像度イメージパッチ(0.25-10m)と22.9万の検証済みフィールドインスタンスが含まれている。 DelAnyFlowは1台のワークステーションで6時間以内に、ウクライナのための完全なフィールド境界層(603,000km2)を作成した。
• 参考スコア（独自算出の注目度）: 3.7887942935151493
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate delineation of agricultural field boundaries from satellite imagery is essential for land management and crop monitoring, yet existing methods often produce incomplete boundaries, merge adjacent fields, and struggle to scale. We present the Delineate Anything Flow (DelAnyFlow) methodology, a resolution-agnostic approach for large-scale field boundary mapping. DelAnyFlow combines the DelAny instance segmentation model, based on a YOLOv11 backbone and trained on the large-scale Field Boundary Instance Segmentation-22M (FBIS 22M) dataset, with a structured post-processing, merging, and vectorization sequence to generate topologically consistent vector boundaries. FBIS 22M, the largest dataset of its kind, contains 672,909 multi-resolution image patches (0.25-10m) and 22.9million validated field instances. The DelAny model delivers state-of-the-art accuracy with over 100% higher mAP and 400x faster inference than SAM2. DelAny demonstrates strong zero-shot generalization and supports national-scale applications: using Sentinel 2 data for 2024, DelAnyFlow generated a complete field boundary layer for Ukraine (603,000km2) in under six hours on a single workstation. DelAnyFlow outputs significantly improve boundary completeness relative to operational products from Sinergise Solutions and NASA Harvest, particularly in smallholder and fragmented systems (0.25-1ha). For Ukraine, DelAnyFlow delineated 3.75M fields at 5m and 5.15M at 2.5m, compared to 2.66M detected by Sinergise Solutions and 1.69M by NASA Harvest. This work delivers a scalable, cost-effective methodology for field delineation in regions lacking digital cadastral data. A project landing page with links to model weights, code, national-scale vector outputs, and dataset is available at https://lavreniuk.github.io/Delineate-Anything/.
• Abstract（参考訳）: 衛星画像からの正確な農業領域の境界線決定は、土地管理と作物のモニタリングに不可欠であるが、既存の手法では、しばしば不完全な境界を作成し、隣接する畑を合併し、規模を拡大するのに苦労する。 本稿では,大規模フィールド境界マッピングのための解法であるDelineate Anything Flow(DelAnyFlow)手法を提案する。 DelAnyFlowは、YOLOv11バックボーンをベースにしたDelAnyインスタンスセグメンテーションモデルと、大規模フィールド境界インスタンスセグメンテーション-22M(FBIS 22M)データセットと、構造化後処理、マージ、ベクトル化シーケンスを組み合わせて、トポロジ的に一貫したベクトル境界を生成する。 このタイプの最大のデータセットであるFBIS 22Mには、672,909のマルチ解像度イメージパッチ(0.25-10m)と22.9万の検証済みフィールドインスタンスが含まれている。 DelAnyモデルは、SAM2よりも100%高いmAPと400倍高速な推論で最先端の精度を提供する。 DelAnyFlowは強力なゼロショットの一般化を示し、2024年にSentinel 2データを使用して、単一のワークステーション上で6時間以内でウクライナの完全なフィールド境界層(603,000km2)を生成した。 DelAnyFlowの出力はSinergise SolutionsとNASA Harvestの運用製品に対する境界完全性を大幅に改善している。 ウクライナでは、DelAnyFlowが5mで3.75M、2.5mで5.15M、シネルギス・ソリューションズが2.66M、NASAハーベストが1.69Mをデライン化した。 この研究は、デジタルカダストラルデータを欠いた領域におけるフィールドデライン化のためのスケーラブルで費用対効果の高い方法論を提供する。 モデルウェイト、コード、全国規模のベクトル出力、データセットへのリンクのあるプロジェクトランディングページがhttps://lavreniuk.github.io/Delineate-Anything/で公開されている。

関連論文リスト

• MobileGeo: Exploring Hierarchical Knowledge Distillation for Resource-Efficient Cross-view Drone Geo-Localization [47.16612614191333]
  クロスビューなジオローカライゼーションにより、航空画像とジオタグ付き衛星データベースとのマッチングによるドローンのローカライゼーションが可能になる。 MobileGeoは、デバイス上の効率的なCVGL用に設計されたモバイルフレンドリーなフレームワークである。 MobileGeoはNVIDIA AGX Orinエッジデバイス上で251.5FPSで動作する。
  論文  参考訳（メタデータ） (2025-10-26T08:47:20Z)
• Can Mixture-of-Experts Surpass Dense LLMs Under Strictly Equal Resources? [58.56306556151929]
  Mixture-of-Experts (MoE)言語モデルは、モデルキャパシティを劇的に拡張し、トーケン毎の計算量を増やすことなく優れたパフォーマンスを達成する。 MoEsは厳密なリソース制約の下で密集したアーキテクチャを超えることができるか? 最適領域における活性化率を持つMoEモデルは,同じパラメータ,トレーニング計算,およびデータ資源の下で,その密度の高いモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-06-13T17:59:05Z)
• FLAIR-HUB: Large-scale Multimodal Dataset for Land Cover and Crop Mapping [1.731185891042474]
  FLAIR-HUBは、フランスの2528km2の高解像度(20cm)のアノテーションを持つ、最大のマルチセンサーの陸地カバーデータセットである。 航空写真、センチネル・1/2時系列、SPOT画像、地形データ、歴史的空中画像の6つの整列モードが組み合わさっている。 その結果、マルチモーダル核融合ときめ細かい分類の複雑さが示され、最も優れた土地被覆性能(精度78.2%、65.8% mIoU)がほぼ全てのモダリティを用いて達成された。
  論文  参考訳（メタデータ） (2025-06-08T10:48:51Z)
• Delineate Anything: Resolution-Agnostic Field Boundary Delineation on Satellite Imagery [0.0]
  大規模でマルチ解像度なインスタンスデータセットであるField Boundary Instance - 22Mデータセット(FBIS-22M)を紹介した。 我々は、FBIS-22Mデータセットに基づいてトレーニングされたインスタンスセグメンテーションモデルであるDelineate Anythingを提案する。 提案モデルでは,mAP@0.5で88.5%,mAP@0.5:0.95で103%の大幅な改善を実現した。
  論文  参考訳（メタデータ） (2025-04-03T12:37:04Z)
• Fields of The World: A Machine Learning Benchmark Dataset For Global Agricultural Field Boundary Segmentation [12.039406240082515]
  Fields of The World (FTW)は、農業分野のインスタンスセグメンテーションのための新しいベンチマークデータセットである。 FTWは70,462個のサンプルを持つ以前のデータセットよりも桁違いに大きい。 FTWで訓練されたモデルは、留保国において、ゼロショットと微調整性能が向上していることを示す。
  論文  参考訳（メタデータ） (2024-09-24T17:20:58Z)
• Matching Anything by Segmenting Anything [109.2507425045143]
  我々は、堅牢なインスタンスアソシエーション学習のための新しい手法であるMASAを提案する。 MASAは、徹底的なデータ変換を通じてインスタンスレベルの対応を学習する。 完全アノテートされたドメイン内ビデオシーケンスでトレーニングした最先端の手法よりも,MASAの方が優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2024-06-06T16:20:07Z)
• DilateFormer: Multi-Scale Dilated Transformer for Visual Recognition [62.95223898214866]
  我々は,視覚変換器の有効性を探究し,参加する受容領域の計算複雑性とサイズとのトレードオフを追求する。 ピラミッドアーキテクチャを用いて,MSDAブロックを低レベルに積み重ねたマルチスケールDilated Transformer (DilateFormer) と,高レベルにグローバルなマルチヘッド自己保持ブロックを構築する。 実験の結果,DilateFormerは様々な視覚タスクで最先端のパフォーマンスを実現していることがわかった。
  論文  参考訳（メタデータ） (2023-02-03T14:59:31Z)
• 1st Place Solution of The Robust Vision Challenge (RVC) 2022 Semantic Segmentation Track [67.56316745239629]
  本報告では,ECCV 2022におけるロバストビジョンチャレンジのセマンティックセグメンテーション課題に対する勝利解について述べる。 本手法では,エンコーダとしてFAN-B-Hybridモデルを採用し,セグメンテーションフレームワークとしてSegformerを使用している。 提案手法は,マルチドメインセグメンテーションタスクの強力なベースラインとして機能し,今後の作業に役立てることができる。
  論文  参考訳（メタデータ） (2022-10-23T20:52:22Z)
• Unlocking large-scale crop field delineation in smallholder farming systems with transfer learning and weak supervision [14.98900824231117]
  作物畑の境界は、作物の種類をマッピングし、収穫量を予測し、農家に大規模分析を提供する。 近年、産業用農業システムにおける分野境界の定式化にディープラーニングの応用が成功している。 インドでは1万のフィールドラベルを効率よく生成する手法が成功している。
  論文  参考訳（メタデータ） (2022-01-13T03:01:06Z)
• Sketch and Scale: Geo-distributed tSNE and UMAP [75.44887265789056]
  地理的に分散したデータセット上で機械学習分析を実行することは、急速に発生する問題である。 私たちはSketch and Scale(SnS)という新しいフレームワークを紹介します。 これはCount Sketchデータ構造を利用して、エッジノード上のデータを圧縮し、マスターノード上の縮小サイズスケッチを集約し、サマリ上でバニラtSNEまたはUMAPを実行する。 我々は、この技術が完全に並列で、線形に時間にスケールし、メモリに対数的に分散し、通信し、世界中の複数のデータセンターにまたがる数百万、数十億のデータポイントでデータセットを解析できることを示す。
  論文  参考訳（メタデータ） (2020-11-11T22:32:21Z)

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。