[論文レビュー] A Conditional Random Field Model for Context Aware Cloud Detection in Sky Images

Vijai Jayadevan, Jeffrey J. Rodrı́guez+1 more|arXiv (Cornell University)|Jun 18, 2019

Remote Sensing in Agriculture参考文献 28被引用数 4

ひとこと要約

本稿では、空間的文脈をモデル化する高次クライプポテンシャルと判別的分類器（ロジスティック回帰）を統合することで、地上型スカイイメージにおける雲検出を向上させる条件付きランダムフィールド（CRF）モデルを提案する。画像を均一領域に分割するためのミーンシフトクラスタリングを適用し、ICMアルゴリズムを用いた反復的推論を実行することで、重複する雲・空の特徴を持つ領域においても、固定閾値法や適応的閾値法よりも顕著に高い精度を達成する。

ABSTRACT

A conditional random field (CRF) model for cloud detection in ground based sky images is presented. We show that very high cloud detection accuracy can be achieved by combining a discriminative classifier and a higher order clique potential in a CRF framework. The image is first divided into homogeneous regions using a mean shift clustering algorithm and then a CRF model is defined over these regions. The various parameters involved are estimated using training data and the inference is performed using Iterated Conditional Modes (ICM) algorithm. We demonstrate how taking spatial context into account can boost the accuracy. We present qualitative and quantitative results to prove the superior performance of this framework in comparison with other state of the art methods applied for cloud detection.

研究の動機と目的

• 特徴空間の重複やクラス内分散の高さによる、固定閾値法および適応的閾値法の限界を是正すること。
• 画像領域間の関係をモデル化するCRFフレームワークを用いて、空間的文脈を統合することでセグメンテーション精度を向上させること。
• 地上型スカイイメージを対象とした太陽光発電予測応用に適した、柔軟で文脈に配慮した雲検出システムの開発。
• 判別的分類（ロジスティック回帰）と高次クライプポテンシャルの統合が、ピクセル単位の分類よりも性能を向上させることを示すこと。

提案手法

• 入力スカイイメージは、ノイズ低減と計算効率向上のため、ミーンシフトクラスタリングアルゴリズムを用いて均一領域にセグメンテーションする。
• これらの領域上で条件付きランダムフィールド（CRF）モデルを定義し、関連ポテンシャルはNSVおよびNBR比を特徴量として用いたロジスティック回帰から導出する。
• 相互作用ポテンシャルは、空間的文脈を捉え、隣接領域間の滑らかさを強制する高次クライプポテンシャルでモデル化する。
• モデルパラメータは学習データを用いて推定され、推論は事後確率を最大化する目的で反復的条件モード（ICM）アルゴリズムを用いて実行される。
• CRFフレームワークにより、関連ポテンシャルまたは相互作用ポテンシャルに追加の特徴を柔軟に統合でき、さまざまな撮影設定への適応性が向上する。
• 性能評価は、テストデータの混同行列から算出される標準指標（正解率、適合率、再現率）を用いて実施される。

実験結果

リサーチクエスチョン

• RQ1 地上型スカイイメージからの雲検出において、CRFベースのアプローチは、従来の適応的・固定閾値法を上回ることができるか？
• RQ2 高次クライプポテンシャルによる空間的文脈の統合は、雲と空の特徴が重複する状況下で、セグメンテーション精度をどのように向上させるか？
• RQ3 ミーンシフトセグメンテーションを用いた領域ベース分類は、ピクセル単位分類と比較して、ノイズ低減と耐障害性の向上にどの程度寄与するか？
• RQ4 判別的分類（ロジスティック回帰）とCRFモデリングの統合は、単独の閾値法や分類法よりも優れた性能を発揮するか？

主な発見

• CRFベースの手法は、NSVまたはNBR比を用いた適応的閾値法および固定閾値法の両方を顕著に上回る高い正解率を達成し、非重複98％信頼区間が得られた。
• テストデータベースのSet Cにおいて、CRFモデルは最良の適応的閾値法（NSVベース）よりも正解率が12.5ポイント向上した。
• 相互作用ポテンシャル（空間的文脈）の統合により、関連ポテンシャル単体で生じた誤分類が是正され、特にヒストグラムが重複する領域で顕著に改善された。
• ミーンシフトセグメンテーションを用いた領域ベース分類は、ピクセル単位のロジスティック回帰と比較してノイズ低減が実現され、より一貫性のあるセグメンテーション結果が得られた。
• CRFモデルは、空の明るさや雲の形状の変動に対して頑健であり、特徴閾値に依存する手法よりも優れた性能を示した。
• 本手法は非常に拡張性が高く、異なる撮影システムに適応するため、関連または相互作用ポテンシャルに追加の特徴を容易に統合できる。