[論文レビュー] A Dynamical Systems Algorithm for Clustering in Hyperspectral Imagery

William Basener, Alexey Castrodad+3 more|arXiv (Cornell University)|Jul 21, 2022

Remote-Sensing Image Classification被引用数 7

ひとこと要約

この論文は、データ密度の勾配フローに従ってピクセルを自然なクラスタにグループ化する、ハイパースペクトル画像向けの新規な動的システムベースのクラスタリング手法を提案する。局所的な密度の勾配をたどることで、事前に指定されたkを必要とせず、クラスタを自動的に特定する。クラス保存性と均質性の両面でk-meansを上回り、Urbanシーンデータセットにおいても同様の結果を示した。

ABSTRACT

In this paper we present a new dynamical systems algorithm for clustering in hyperspectral images. The main idea of the algorithm is that data points are pushed\' in the direction of increasing density and groups of pixels that end up in the same dense regions belong to the same class. This is essentially a numerical solution of the differential equation defined by the gradient of the density of data points on the data manifold. The number of classes is automated and the resulting clustering can be extremely accurate. In addition to providing a accurate clustering, this algorithm presents a new tool for understanding hyperspectral data in high dimensions. We evaluate the algorithm on the Urban (Available at www.tec.ary.mil/Hypercube/) scene comparing performance against the k-means algorithm using pre-identified classes of materials as ground truth.

研究の動機と目的

• ユーザーが事前に指定するkを必要とせず、自動的にクラス数を特定するハイパースペクトル画像向けのクラスタリング手法の開発。
• 高次元多様体におけるデータの幾何的構造を活用することで、クラスタリングの正確性を向上させること。
• 特に、道路と屋根のように類似したが異なる材料に対して、クラスタ内均質性と物質クラスの保存性を向上させること。
• 動的システムの原則を用いて、高次元ハイパースペクトルデータの理解を促進する新たな解釈的ツールを提供すること。
• Urbanハイパースペクトルシーンにおいて、真値の物質クラスと定量的指標を用いてk-meansとの性能を評価すること。

提案手法

• アルゴリズムは、データ多様体上での核密度推定の勾配に基づく動的システムとして、ピクセルクラスタを吸引子としてモデル化する。
• 密度関数の勾配によって定義される常微分方程式を数値的に解き、データポイントを密度が高い領域へと移動させる。
• クラスタ数は密度の地形の位相から自然に導かれるため、kの事前定義が不要となる。
• 密度推定にはカーネルベースのアプローチを用い、バンド幅は交差検証またはヒューリスティック手法により選択する。
• クラスタは密度関数の局所的最大値の周囲の吸引域（盆地）として特定される。
• 各ピクセルを高次元スペクトル空間上の点として扱うことにより、ハイパースペクトルデータに本手法を適用する。

実験結果

リサーチクエスチョン

• RQ1 密度勾配フローに基づく動的システム的手法は、従来のk-meansと比較して、ハイパースペクトル画像におけるより正確で自然なクラスタリングを実現できるか？
• RQ2 提案手法は、kを変化させたk-meansと比較して、既知の物質クラス（例：道路、屋根、植生）をどの程度正確に保存するか？
• RQ3 特にスペクトル的に類似した材料（例：異なる種類の道路や屋根材）に対して、クラスタ内均質性はどの程度向上するか？
• RQ4 クラスタ数の自動決定が、ユーザーがkを指定しない状況でも、より優れたクラスタリング結果をもたらすか？
• RQ5 得られたクラスタの空間的およびスペクトル的特性は、k-meansのクラスタと比較して視覚的および定量的にどの程度優れているか？

主な発見

• 勾配フロー法は、k=20のk-meansと比較して、クラス保存性が優れており、特に木と土壌のクラスで顕著で、木のピクセルの100％が1つの主要クラスタに含まれた。
• 勾配フロー法では混合クラスタが少ない：10クラス中2クラスのみが非主要クラスから5％以上混合していたが、k=13のk-meansでは6クラスが同様の混合を示した。
• 勾配フロー法の混合クラスタは、スペクトル的に類似した材料（例：グレーの屋根とWal-Martの屋根）を含んでおり、k-meansでは駐車場と道路のように異なる材料が混合していた。
• Wal-Martの屋根クラスの主要クラスタには、勾配フロー法でピクセルの100％が含まれたが、k=13のk-meansでは僅か58％にとどまった。
• 視覚的検査により、勾配フロー法のクラスタは、特に道路および屋根クラスにおいて、より高い空間的整合性とスペクトル的均質性を示した。
• 本手法は、解像度の変化に関係なく物質の同一性を保持するという点で、頑健性を示した。異なる物質間の混合は最小限に抑えられた。