[論文レビュー] Classification of Images Using Support Vector Machines

Anthony Gidudu, Greg Hulley+1 more|ArXiv.org|Sep 25, 2007

Remote-Sensing Image Classification参考文献 11被引用数 38

ひとこと要約

本論文は、多クラスの土地被覆画像分類にサポートベクターマシン（SVM）を適用する際のワンアゲインストワン（1A1）およびワンアゲインストオール（1AA）戦略を評価している。1AAはより多くの未分類および混合ピクセルを生じる傾向にあるが、両手法とも類似した分類精度を示すため、著者らは両者の選択は主にデータセット依存であり、個人の好みによるものであると結論づけている。

ABSTRACT

Support Vector Machines (SVMs) are a relatively new supervised classification technique to the land cover mapping community. They have their roots in Statistical Learning Theory and have gained prominence because they are robust, accurate and are effective even when using a small training sample. By their nature SVMs are essentially binary classifiers, however, they can be adopted to handle the multiple classification tasks common in remote sensing studies. The two approaches commonly used are the One-Against-One (1A1) and One-Against-All (1AA) techniques. In this paper, these approaches are evaluated in as far as their impact and implication for land cover mapping. The main finding from this research is that whereas the 1AA technique is more predisposed to yielding unclassified and mixed pixels, the resulting classification accuracy is not significantly different from 1A1 approach. It is the authors conclusions that ultimately the choice of technique adopted boils down to personal preference and the uniqueness of the dataset at hand.

研究の動機と目的

• ワンアゲインストワン（1A1）およびワンアゲインストオール（1AA）戦略が、SVMを用いた多クラス画像分類においてどの程度効果的であるかを評価すること。
• これらの戦略が土地被覆マッピングにおける分類精度およびピクセル出力品質に与える影響を評価すること。
• リモートセンシング応用において、一方のアプローチが他方を一貫して上回るかどうかを特定すること。
• データセットの特性とユーザーの好みに基づいて、1A1と1AAの選択に役立つ指針を提供すること。

提案手法

• 本研究では、小規模なトレーニングサンプルでも頑健で効果的なSVMを、リモートセンシング画像データに適用している。
• 2つの多クラス分類戦略を実装している：ワンアゲインストワン（1A1）は、各クラスペアに対して2値分類器を訓練する。
• ワンアゲインストオール（1AA）は、各クラスを他のすべてのクラスと比較して2値分類器を訓練する。
• 標準的な精度指標を用いて、両戦略間の分類結果を比較している。
• 評価は、分類精度、未分類ピクセルの数、混合ピクセルの有無に焦点を当てている。
• 分析は、土地被覆マッピングに関連する実際のリモートセンシングデータセットを対象として実施されている。

実験結果

リサーチクエスチョン

• RQ1 土地被覆マッピングにおいて、1A1および1AA SVM戦略の分類精度はどのように比較されるか？
• RQ2 各戦略が未分類および混合ピクセルの数に与える影響は何か？
• RQ3 ある戦略が異なるデータセットにおいて一貫して優れた結果をもたらすか？
• RQ4 データセット固有の特性が、1A1と1AAの選択にどのように影響するか？

主な発見

• ワンアゲインストオール（1AA）アプローチは、ワンアゲインストワン（1A1）アプローチと比較して、より多くの未分類および混合ピクセルを生じる。
• ピクセル出力品質に差異があるものの、1A1と1AAの間で全体的な分類精度の差は有意ではない。
• 1AA手法は、その2値分類構造の特性上、特定のピクセルを誤分類したり、分類から除外したりする傾向を示している。
• 本研究では、精度の観点から1A1または1AAに統計的に有意な性能優位性がないことが判明した。
• 最終的な1A1と1AAの選択は、客観的な性能指標よりも、データセット固有の特性とユーザーの好みに大きく依存する。