BD-SAT: High-resolution Land Use Land Cover Dataset & Benchmark Results for Developing Division: Dhaka, BD

ロボットに周囲の世界を認識させる方法を教えようとしている場面を想像してみてください。ただし、猫や犬の写真を何百万枚も見せる代わりに、地球の衛星写真を見せるとします。これがリモートセンシングと**ディープラーニング（深層学習）の世界です。ディープラーニングを、自らルールを見つけ出すまで何千もの例を見て学ぶ、非常に賢い学生だと考えてください。この場合、その学生は土地利用および土地被覆（LULC）**を学ぼうとしています。これは、「この地面の区画は森林なのか、農地なのか、都市なのか、それとも湖なのか？」と尋ねるための、少し凝った言い回しに過ぎません。

なぜこれが重要なのでしょうか？ それは、私たちの惑星が急速に変化しているからです。発展途上国では、都市は雑草のように成長し、森林は縮小しています。これらの変化を理解し、貧困を追跡し、あるいは新しい道路をどこに建設するかを計画するためには、地面がどのような状態であるかをピクセル単位で正確に伝える地図が必要です。しかし、ここに落とし穴があります。ロボットの学生には、学習するための「教科書」が必要なのです。富裕国には、完璧な答えが記載された教科書（データセット）が豊富にあります。しかし、発展途上国では、それらの教科書は欠けていたり、ぼやけていたり、あるいはロボットが理解できない言語で書かれていたりすることがよくあります。良いデータがなければ、ロボットは混乱し、泥の混じった川を農地だと勘違いしてしまうような間違いを犯してしまいます。

この論文は、バングラデシュのダッカ管轄区向けに特別に設計された、非常に詳細で新しい教科書であるBD-SATを紹介しています。インディペンデント・ユニバーシティ・バングラデシュの研究チームは、既存の地図は、発展途上国の混沌とした、混み合った、そして美しい現実をロボットに教えるには、あまりにもぼやけすぎているか、単純すぎると気づきました。彼らは、巨大なズームアップされた航空写真のような役割を果たすBingの高解像度衛星画像を使用して、「グラウンドトゥルース（正解）」と呼ばれる完璧な解答集となるマップを数ヶ月かけて作成しました。そして、この完璧なマップを使用して、強力なAIモデルである**DeepLabV3+**を訓練し、それが主に5つの要素（森林、農地、建物密集地（都市や村）、水域、草原）を識別できるかどうかをテストしました。

研究者たちは単にマップを作っただけではありません。彼らはロボットを厳しい「修羅場」へと送り込みました。彼らは2種類の非常に異なる「教科書」を用いてモデルをテストしました。第一に、数日おきに写真を撮影するものの、非常に高い高度から撮影しているため、画像が少しぼやけている（1ピクセルあたり約10〜20メートル）無料の衛星Sentinel-2Aを使用しました。これは、教室の後ろから本を読もうとするようなものです。第二に、非常に鮮明な（2.22メートル/ピクセル）Bing衛星画像を使用しました。これは、明るいランプの真下で同じ本を読んでいるようなものです。また、彼らは、夜間暗視ゴーグルが暗闇での視界を助けるのと同様に、特殊な「フィルター」（赤外線など）を混ぜることで、ロボットの視界が改善されるかどうかを試しました。

結果は明確かつ決定的なものでした。ロボットがぼやけたSentinel-2Aの画像を学習したとき、まずまずの仕事はできましたが、しばしば混乱が生じました。例えば、緑色の草原と緑色の農地の区別がつかなかったり、濁った川と水域の区別がつかなかったりしました。彼らが見つけた最も優れた「ぼやけた画像」の組み合わせは、赤外線と短波赤外線（SWIと呼ばれる）の特別な混合であり、これが植生や水域を標準的な色彩よりも良く捉えるのに役立ちました。しかし、ロボットが鮮明で高解像度のBing画像を学習することを許されると、それは「優等生」となりました。森林、都市、水域をはるかに高い精度で正しく特定したのです。高解像度画像によって、モデルは、ぼやけた画像では完全に失われてしまうような細かなディテール（屋根の質感や川の端など）を見ることができました。

この論文は、富裕国のデータを使って、貧しい国のロボットを訓練できるという考えに対して、明確に異を唱えています。著者たちは、家屋、農地、川などが明確な境界線なく混ざり合っている発展途上国の「混沌とした」現実には、より詳細なアプローチが必要であることを示しました。また、標準的な低解像度の衛星データでは、高精度なタスクには不十分であるということも結論づけています。無料のSentinel-2データは広範な傾向を把握するには有用ですが、都市の拡大や特定の作物の変化といった詳細な作業を行うには、たとえ更新頻度が低かったとしても、BingやGoogleのようなサービスが提供する鮮明で高解像度な視点が必要であると論文は示唆しています。

最終的に、著者たちはスマートな戦略を提案しています。高解像度のBing画像を使用して完璧な「解答集（グラウンドトゥルース）」を作成してAIを訓練し、その訓練された脳を使って、無料で頻繁に更新されるSentinel-2の画像を解釈するという方法です。これは、高精細な写真を使って顔の認識方法を学生に教え、その後、その学生に粒子の粗い監視カメラ映像を使って群衆の中から人物を特定させるようなものです。BD-SATデータセットは誰でも利用できるよう公開されており、適切なデータがあれば、最も複雑で混雑した都市であっても、明晰さと配慮を持ってマッピングできることを証明し、バングラデシュやその他の発展途上地域の変化する景観を理解するための、新しい信頼できる方法を提供しています。