Delineare Qualsiasi Cosa: Delimitazione Agnosticamente alla Risoluzione dei Confini dei Campi su Immagini Satellitari

Delineate Anything: Resolution-Agnostic Field Boundary Delineation on Satellite Imagery

April 3, 2025

Autori: Mykola Lavreniuk, Nataliia Kussul, Andrii Shelestov, Bohdan Yailymov, Yevhenii Salii, Volodymyr Kuzin, Zoltan Szantoi

cs.AI

Abstract

La precisa delineazione dei confini dei campi agricoli dalle immagini satellitari è fondamentale per la gestione del territorio e il monitoraggio delle colture. Tuttavia, i metodi attuali affrontano sfide dovute alle dimensioni limitate dei dataset, alle discrepanze di risoluzione e alle diverse condizioni ambientali. Affrontiamo questo problema riformulando il compito come segmentazione di istanze e introducendo il dataset Field Boundary Instance Segmentation - 22M (FBIS-22M), un dataset su larga scala e multi-risoluzione che comprende 672.909 patch di immagini satellitari ad alta risoluzione (che vanno da 0,25 m a 10 m) e 22.926.427 maschere di istanze di singoli campi, riducendo significativamente il divario tra i dataset agricoli e quelli di altri domini della visione artificiale. Proponiamo inoltre Delineate Anything, un modello di segmentazione di istanze addestrato sul nostro nuovo dataset FBIS-22M. Il nostro modello proposto stabilisce un nuovo stato dell'arte, ottenendo un miglioramento sostanziale dell'88,5% in mAP@0.5 e del 103% in mAP@0.5:0.95 rispetto ai metodi esistenti, dimostrando anche un'inferenza significativamente più veloce e una forte generalizzazione zero-shot su diverse risoluzioni di immagini e regioni geografiche non viste. Codice, modelli pre-addestrati e il dataset FBIS-22M sono disponibili su https://lavreniuk.github.io/Delineate-Anything.

English

The accurate delineation of agricultural field boundaries from satellite imagery is vital for land management and crop monitoring. However, current methods face challenges due to limited dataset sizes, resolution discrepancies, and diverse environmental conditions. We address this by reformulating the task as instance segmentation and introducing the Field Boundary Instance Segmentation - 22M dataset (FBIS-22M), a large-scale, multi-resolution dataset comprising 672,909 high-resolution satellite image patches (ranging from 0.25 m to 10 m) and 22,926,427 instance masks of individual fields, significantly narrowing the gap between agricultural datasets and those in other computer vision domains. We further propose Delineate Anything, an instance segmentation model trained on our new FBIS-22M dataset. Our proposed model sets a new state-of-the-art, achieving a substantial improvement of 88.5% in mAP@0.5 and 103% in mAP@0.5:0.95 over existing methods, while also demonstrating significantly faster inference and strong zero-shot generalization across diverse image resolutions and unseen geographic regions. Code, pre-trained models, and the FBIS-22M dataset are available at https://lavreniuk.github.io/Delineate-Anything.