[論文レビュー] Crater Detection via Convolutional Neural Networks

Joseph Cohen, Henry Z. Lo+2 more|arXiv (Cornell University)|Mar 1, 2016

Advanced Neural Network Applications参考文献 4被引用数 3

ひとこと要約

本論文は、訓練データからエンド・トゥ・エンドで最適なフィルタを学習することで、手作業で特徴を抽出する手法の限界を克服し、惑星衛星画像における自動クレーター検出のための畳み込みニューラルネットワーク（CNN）ベースの手法を提案する。この手法は、Bandeiraデータセットというベンチマークで最先端の性能を達成し、表面の侵食が著しく、コントラストが低い状況下でも、クレーターの検出において優れた正確性を示している。

ABSTRACT

Joseph Paul Cohen, Henry Z. Lo, Tingting Lu, and Wei Ding at the University of Massachusetts Boston ({joecohen, henryzlo, ding}@cs.umb.edu, [e-mail]) Introduction Craters are among the most studied geomorphic features in the Solar System because they yield important information about the past and present geological processes and provide information about the relative ages of observed geologic formations. We present a method for automatic crater detection using advanced machine learning to deal with the large amount of satellite imagery collected. The challenge of automatically detecting craters comes from their is complex surface because their shape erodes over time to blend into the surface. Bandeira [1] provided a seminal dataset that embodied this challenge that is still an unsolved pattern recognition problem to this day. There has been work to solve this challenge based on extracting shape [2] and contrast [1, 3] features and then applying classification models on those features. The limiting factor in this existing work is the use of hand crafted filters on the image such as Gabor or Sobel filters or Haar features. These hand crafted methods rely on domain knowledge to construct. We would like to learn the optimal filters and features based on training examples. In order to dynamically learn filters and features we look to Convolutional Neural Networks (CNNs) which have shown their dominance in computer vision [4]. The power of CNNs is that they can learn image filters which generate features for high accuracy classification. CNNs are organized as a computation graph where the input image has computations performed on it and produce an output, then this output has computations performed on it, and this is repeated until an output layer which contains a prediction. There are many components to these networks but the most significant part to discuss is the convolutional layer and the fully connected layer. First we talk about a convolutional layer because this is the interface between the input image and the network. In Figure 1 the process of a convolutional layer is shown. A sliding window is ran across the input image with a convolution applied at each position. Each pixel is multiplied by the corresponding filter value and summed together which results in a single value. A picture is formed from the results of these convolutions. This design is important because spatial information is maintained to be used later in the network. In this example the filter values appear to be a sobel filter however the filters learned will be much different. During the learning process the values of the filters will be altered to minimize classification error of the entire network. Next we talk about a fully connected layer. These 66 104 100

研究の動機と目的

• 表面の侵食や低コントラストのため、困難であるにもかかわらず、惑星の地質的歴史を理解するために重要なクレーターを衛星画像から検出する課題に対処すること。
• Gabor、Sobel、Haar特徴など、ドメインの専門知識を要する固定されたフィルタに依存する従来の手法の限界を克服すること。
• 畳み込みニューラルネットワーク（CNN）を用いて、訓練データから最適な画像フィルタと特徴をエンド・トゥ・エンドで学習するフレームワークを構築すること。
• CNNの階層的特徴学習能力を活用して検出精度を向上させること。畳み込み層が空間情報を保持し、全結合層が高精度な分類を可能にする。

提案手法

• 入力された衛星画像に対して、空間的関係を保持する学習可能なフィルタを適用する複数の畳み込み層を備えた畳み込みニューラルネットワーク（CNN）アーキテクチャを採用する。
• 入力画像全体にスライディング・ウィンドウを適用し、各ピクセルをフィルタ重みで乗算して合算することで特徴マップを生成する。
• 誤差逆伝播中にフィルタ重みを動的に更新することで、クレーター検出に最適な特徴を学習可能にする。
• 畳み込み層の後に全結合層を統合し、高レベルの特徴を集約して、クレーターの有無を示す最終予測出力を得る。
• Bandeiraデータセットを用いて教師あり学習でネットワークを訓練する。このデータセットには、アノテート済みのクレーターと非クレーターが含まれており、エンド・トゥ・エンド最適化を支援する。
• 活性化関数やプーリング（標準的な実装に従う）といった標準的なCNN部品を活用し、特徴表現の質と一般化性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 CNNを用いたディープラーニングアプローチは、従来の手作業で特徴を抽出する手法に比べ、惑星画像におけるクレーター検出で優れた性能を発揮できるか？
• RQ2 Sobel や Gabor のような固定フィルタを使用する手法と比較して、データからエンド・トゥ・エンドでフィルタを学習することで、検出精度がどの程度向上するか？
• RQ3 侵食されたりコントラストが低いクレーターを、従来のパターン認識手法が困難とする状況でも、CNNはどの程度検出できるか？
• RQ4 CNNが持つ階層的特徴学習機構は、多様な惑星表面におけるクレーターの複雑な形態的パターンを効果的に捉えられるか？

主な発見

• 提案されたCNNベースの手法は、Bandeiraクレーター検出ベンチマークデータセットで最先端の性能を達成し、従来の手作業特徴に依存する手法を上回っている。
• データからエンド・トゥ・エンドでフィルタを学習することで、ドメイン特化のフィルタ設計を一切不要とし、クレーター検出に適した関連特徴を自動で発見している。
• 畳み込み層が空間情報を保持するため、部分的に侵食されたクレーターの正確な局所化と分類が可能である。
• 結果から、CNNのようなディープラーニングモデルが、画像の複雑さが高いため従来手法が失敗するような状況においても、惑星科学における複雑な地形的特徴の検出に極めて有効であることが示された。