[論文レビュー] An svm multiclassifier approach to land cover mapping

Anthony Gidudu, Greg Hulley+1 more|arXiv (Cornell University)|Jul 11, 2010

Remote-Sensing Image Classification参考文献 8被引用数 7

ひとこと要約

本論文は、線形、ガウス、および2次SVMを多数決で統合することで分類精度を向上させる、土地被覆マッピングのためのアンサンブルSVMマルチクラス分類器システムを提案する。アンサンブルは個々の線形SVMおよび2次SVMを上回ったが、RBF SVMに及ばなかった。これは、適切に設計された場合、アンサンブルシステムにおける多様性と統合が、土地被覆マッピングの結果を向上させられることを示している。

ABSTRACT

From the advent of the application of satellite imagery to land cover mapping, one of the growing areas of research interest has been in the area of image classification. Image classifiers are algorithms used to extract land cover information from satellite imagery. Most of the initial research has focussed on the development and application of algorithms to better existing and emerging classifiers. In this paper, a paradigm shift is proposed whereby a committee of classifiers is used to determine the final classification output. Two of the key components of an ensemble system are that there should be diversity among the classifiers and that there should be a mechanism through which the results are combined. In this paper, the members of the ensemble system include: Linear SVM, Gaussian SVM and Quadratic SVM. The final output was determined through a simple majority vote of the individual classifiers. From the results obtained it was observed that the final derived map generated by an ensemble system can potentially improve on the results derived from the individual classifiers making up the ensemble system. The ensemble system classification accuracy was, in this case, better than the linear and quadratic SVM result. It was however less than that of the RBF SVM. Areas for further research could focus on improving the diversity of the ensemble system used in this research.

研究の動機と目的

• 衛星画像を用いた土地被覆マッピングにおける単一分類器の性能制限を解消すること。
• 分類器の多様性を活用することで、アンサンブルシステムが分類精度を向上させる可能性を検討すること。
• 多数決戦略を用いて、線形、ガウス、および2次SVMの複数の変種を統合する有効性を評価すること。
• さらなる分類結果の向上を図るための、アンサンブルの多様性を高める機会を同定すること。

提案手法

• アンサンブルシステムは、線形SVM、ガウスSVM、2次SVMの3つのSVM変種を統合し、同じ土地被覆データセットで訓練する。
• 各分類器は、入力の衛星画像に対して独立に土地被覆クラスを予測する。
• 多数決メカニズムが個々の予測を統合し、各ピクセルの最終的土地被覆分類を決定する。
• 標準的な正解率指標を用いて、アンサンブルの性能を個々の分類器と比較評価する。
• 一般化性能を評価するために、ASPRS 2008会議の実世界の土地被覆データセットを用い、訓練・テスト分割を適用する。
• RBF SVMを、最先端の単一分類器としてのベンチマークとして用いる。

実験結果

リサーチクエスチョン

• RQ1 多数決によるアンサンブル手法を用いて、複数のSVM変種を統合することで、個々の分類器と比較して土地被覆分類精度が向上するか？
• RQ2 多数決戦略は、マルチクラスSVMアンサンブルにおける最終分類結果にどのように影響するか？
• RQ3 線形SVM、ガウスSVM、2次SVMの間の多様性が、アンサンブルの性能に有意に寄与しているか？
• RQ4 RBF SVM（知られている高性能な単一分類器）と比較して、アンサンブルシステムはどのように性能を示すか？
• RQ5 特に分類器の多様性の観点から、現在のアンサンブル設計の限界は何か？

主な発見

• アンサンブルシステムは、個々の線形SVMおよび2次SVMよりも高い分類精度を達成した。
• 個々のSVMよりも精度が向上したが、RBF SVMの精度には及ばなかった。
• 結果から、アンサンブル手法は性能向上に寄与するが、ベースとなる分類器の選定とその多様性が結果に顕著に影響することが示された。
• 本研究では、RBF SVMのような優れた単一モデルに近づけるために、アンサンブルメンバー間の多様性を高めるためのさらなる研究の必要性を同定した。
• 多数決メカニズムは予測を効果的に統合し、マルチクラス土地被覆分類における実用性を示した。