[論文レビュー] Collaborative sparse regression using spatially correlated supports - Application to hyperspectral unmixing

Yoann Altmann, Marcelo Pereyra+1 more|arXiv (Cornell University)|Sep 29, 2014

Remote-Sensing Image Classification参考文献 25被引用数 4

ひとこと要約

この論文は、断片的な多次元イジングマルコフ確率場（MRF）を用いて、スペクトル空間的相関を持つアビューチャンベクターのサポートをモデル化することで、ハイパースペクトルアンミキシングのためのベイジアン共同スパース回帰手法を提案する。この手法により、各画素における物質の存在／不在パターンを高精度に特定可能となる。本手法は、MRFパラメータを自己調整する適応的MCMCアルゴリズムを採用しており、交差検証への依存度を低減するとともに、合成データおよび実データ（最大25種類のエンドメンバーを含む）においてアンミキシング精度を向上させる。

ABSTRACT

This paper presents a new Bayesian collaborative sparse regression method for linear unmixing of hyperspectral images. Our contribution is twofold; first, we propose a new Bayesian model for structured sparse regression in which the supports of the sparse abundance vectors are a priori spatially correlated across pixels (i.e., materials are spatially organised rather than randomly distributed at a pixel level). This prior information is encoded in the model through a truncated multivariate Ising Markov random field, which also takes into consideration the facts that pixels cannot be empty (i.e, there is at least one material present in each pixel), and that different materials may exhibit different degrees of spatial regularity. Secondly, we propose an advanced Markov chain Monte Carlo algorithm to estimate the posterior probabilities that materials are present or absent in each pixel, and, conditionally to the maximum marginal a posteriori configuration of the support, compute the MMSE estimates of the abundance vectors. A remarkable property of this algorithm is that it self-adjusts the values of the parameters of the Markov random field, thus relieving practitioners from setting regularisation parameters by cross-validation. The performance of the proposed methodology is finally demonstrated through a series of experiments with synthetic and real data and comparisons with other algorithms from the literature.

研究の動機と目的

• 画素間における物質の存在／不在パターンの空間的相関を組み込むことで、ハイパースペクトルアンミキシングにおけるスパースなアビューチャンベクターの正確な推定に取り組む。
• グローバルな共同手法が唯一の連合サポートを推定するという限界を克服するため、アビューチャンベクターのサポートにおける局所的な空間的構造をモデル化する。
• 空間的正則性と非空画素制約を、切断された多次元イジングMRFを介してベイジアンフレームワークに組み込む。
• MRF正則化パラメータを自己調整するMCMC推論アルゴリズムを設計し、正則化チューニングにための交差検証の必要性を排除する。
• 最先端の手法と比較して、合成および実ハイパースペクトルデータ上で向上したアンミキシング性能を実証する。

提案手法

• 物質の存在／不在パターンの空間的相関を表現するために、アビューチャンベクターのサポートを切断された多次元イジングマルコフ確率場（MRF）でモデル化する。
• MRF事前分布の切断を用いて、各画素に少なくとも1つの物質が存在することを保証することで、非空画素制約を組み込む。
• アビューチャンベクターおよびノイズに共役事前分布を用いることで、効率的なMCMCサンプリングが可能な閉形式の条件付き後確率を得る。
• メトロポリス・インサイド・ギブスMCMCアルゴリズムを用いて、各画素における物質の存在／不在の後確率を推定する。
• 最大周辺MAP（MAP）サポート構成条件下で、アビューチャンベクターのMMSE推定値を計算する。
• MCMCサンプリング中にMRF正則化強度を自己調整し、パrameterチューニングのための手動による交差検証を不要にする。

実験結果

リサーチクエスチョン

• RQ1 グローバルな協調性のみを活用する手法と比較して、アビューチャンベクターのサポートにおける空間的相関をモデル化することで、ハイパースペクトルアンミキシングの精度が向上するか？
• RQ2 非空画素制約および物質ごとの空間的正則性の程度のばらつきを、ベイジアンスパース回帰モデルに効果的に組み込む方法は何か？
• RQ3 適応的MCMCアルゴリズムは、交差検証を必要とせずにMRFパラメータを自己調整可能であり、研究者の負担を軽減できるか？
• RQ4 提案手法は、合成および実ハイパースペクトルデータにおいて、既存の共同スパース回帰技術をどの程度上回る性能を示すか？
• RQ5 物質間のスペクトル類似度が高く、スパarsityのみでは不十分な状況下でも、本手法は効果的に機能するか？

主な発見

• 提案手法は、最先端の共同スパース回帰手法と比較して、合成データにおいて優れたアンミキシング精度を達成しており、特に空間的に構造化された物質分布の解消において顕著な優位性を示す。
• 適応的MCMCアルゴリズムは、MRF正則化パラメータを効果的に自己調整し、交差検証の必要性を排除するとともに、ロバストネスを向上させる。
• 本手法は空間的相関を持つサポートを効果的に捉え、物質検出における誤検出（ファルス・ポジティブ）を低減し、サポート推定の精度を向上させる。
• 実ハイパースペクトルデータにおいて、本手法はアビューチャン推定およびエンドメンバー検出の両面で優れた性能を示す。特に、複雑な空間パターンを有する高解像度画像において顕著である。
• 計算複雑度の制限により、25種類を超えるエンドメンバーを含むライブラリへの直接適用は困難であるが、事前処理としてMUSIC-CSRを用いることで性能を向上できる。
• 本手法は、アビューチャン値や非線形効果を正則化する既存の手法よりも優れている。これは、本手法がアビューチャン値そのものではなく、サポートの相関を明示的にモデル化しているためである。