深層学習はリモートセンシング画像から建物を抽出するための効果的な手段を提供するが、訓練データ（ソースドメイン）とテストデータ（ターゲットドメイン）の分布が異なる場合、ソースドメインのみで訓練されたモデルをターゲットドメインに直接適用すると精度が著しく低下する。建物ドメイン適応抽出法は、ドメイン間のデータ分布の差異を克服し、異なる環境下での建物情報の認識能力を向上させることができる。ターゲットドメインのラベル取得が困難であり注釈コストが高いこと、また現行手法が建物の不変特性を十分に活用してドメイン間の一貫性制約を提供できていない問題に対処するため、本研究では形状および位置の先験情報に基づくリモートセンシング画像建物ドメイン適応抽出法を提案する。まず、建物指数やHarris法などを組み合わせてターゲットドメインの建物コーナー点を自動抽出し、画像形態学的手法を用いてソースドメインのラベル建物エッジを抽出し、両ドメインの形状先験情報として利用する。次に、ガウス変換に基づく位置先験情報抽出法を設計し、ターゲットドメインのOSMオブジェクトとソースドメインのラベルオブジェクトをそれぞれ二重ドメインの位置先験情報に変換する。最後に、上述の形状先験情報を用いて形状損失関数を構築し、両ドメインの建物対象に対して訓練制約を与えるとともに、二重ドメインの位置先験情報を独立した追加チャネルとして重畳した4チャネル入力を構成し、ターゲットドメインの建物情報を豊富化し、敵対的学習に基づく建物ドメイン適応抽出モデルAU_AdaptNetを設計した。実験結果は、本手法のIoU指標がドメイン適応を行わない基本モデルより15%向上し、先験情報誘導のないドメイン適応モデルより6%向上し、ターゲットドメインにOSMデータが存在しない場合でも形状先験情報誘導のみで建物ドメイン適応抽出精度を高められ、ターゲットドメインのOSMデータ整合性が低い条件下でも高品質なターゲットドメインラベルを用いる半教師ありドメイン適応法と同等の効果を得られることを示した。

建物抽出; ドメイン適応; リモートセンシング画像; 先験情報; OSM