[論文レビュー] Dimensionality Reduction of Hyperspectral Imagery Based on Spatial-spectral Manifold Learning

Hong Huang, Guangyao Shi+3 more|arXiv (Cornell University)|Dec 22, 2018

Remote-Sensing Image Classification参考文献 27被引用数 7

ひとこと要約

本稿では、空間的および分光的情報を空間-分光的組み合わせ距離（SSCD）を介して統合することで、頑健な隣接グラフを構築し、多様体再構成を向上させる、非教師あり次元削減手法SSMRPEを提案する。空間的関係に基づいて再構成重みを調整することにより、特徴抽出の識別性が向上し、PaviaUおよびSalinasデータセットにおいて最先端の分類精度を達成した。1%の訓練サンプル条件下で、Salinasでは全体精度99.28%、カッパ係数99.12を達成した。

ABSTRACT

The graph embedding (GE) methods have been widely applied for dimensionality reduction of hyperspectral imagery (HSI). However, a major challenge of GE is how to choose proper neighbors for graph construction and explore the spatial information of HSI data. In this paper, we proposed an unsupervised dimensionality reduction algorithm termed spatial-spectral manifold reconstruction preserving embedding (SSMRPE) for HSI classification. At first, a weighted mean filter (WMF) is employed to preprocess the image, which aims to reduce the influence of background noise. According to the spatial consistency property of HSI, the SSMRPE method utilizes a new spatial-spectral combined distance (SSCD) to fuse the spatial structure and spectral information for selecting effective spatial-spectral neighbors of HSI pixels. Then, it explores the spatial relationship between each point and its neighbors to adjusts the reconstruction weights for improving the efficiency of manifold reconstruction. As a result, the proposed method can extract the discriminant features and subsequently improve the classification performance of HSI. The experimental results on PaviaU and Salinas hyperspectral datasets indicate that SSMRPE can achieve better classification accuracies in comparison with some state-of-the-art methods.

研究の動機と目的

• 既存のグラフ埋め込み手法が、空間相関を無視し、任意の近隣選択に依存するという限界に対処すること。
• 近隣選択と多様体再構成の両者に空間的構造と分光的情報を統合したフレームワークを提供することで、分類性能を向上させること。
• 教師なし手法として、内在的な多様体構造を保持するとともに、ハイパースペクトル画像分類のための識別的特徴抽出を強化すること。

提案手法

• 背景ノイズを低減し、データ品質を向上させるために、事前処理として重み付き平均フィルタ（WMF）が適用される。
• 空間的近接性と分光的類似性を融合する新しい空間-分光的組み合わせ距離（SSCD）が提案され、効果的な空間-分光的近隣選択が可能になる。
• SSCDを用いて空間-分光的隣接グラフを構築することで、HSIデータの内在的多様体構造をよりよく捉える。
• 各画素とその近隣の空間的関係に基づいて、再構成重みを動的に調整することで、多様体再構成の効率を向上させる。
• 低次元空間における局所的再構成関係を保持するグラフ埋め込みフレームワークが採用される。
• 最終的な埋め込みは、多様体再構成と識別的特徴抽出の両方をバランスさせる最適化により学習される。

実験結果

リサーチクエスチョン

• RQ1 どのようにして空間的および分光的情報を効果的に統合し、HSI次元削減における近隣選択を改善できるか？
• RQ2 再構成重みの調整に空間的関係を組み込むことで、多様体学習および分類性能が向上するか？
• RQ3 提案された空間-分光的組み合わせ距離（SSCD）は、分光的のみまたは空間的のみのアプローチと比較して、内在的多様体構造の保存性を高められるか？
• RQ4 低訓練サンプル条件下での分類精度と頑健性を考慮した場合、SSMRPEは最先端のDR手法と比較してどのように差をつけるか？
• RQ5 教師なしの性質を考慮すると、ラベル付きデータを訓練に必要とせずに、優れた性能を達成できるか？

主な発見

• クラスあたり1%のラベル付きサンプルを用いたSalinasデータセットにおいて、SSMRPEは99.28%の最高全体精度を達成し、PCA（93.27%）、LDA（97.71%）、LPNPE（98.41%）を顕著に上回った。
• SSMRPEはSalinasで99.12のカッパ係数を達成し、比較されたすべての手法を上回り、真値との高い一致度とノイズに対する頑健性を示した。
• PaviaUデータセットでは、SSMRPEが99.15%の全体精度を達成し、多様な土地被覆タイプにわたり強力な性能を示した。
• 視覚的な分類マップでは、SSMRPEが滑らかで均一な領域を生成しており、特に異なる生育段階にある雑草やレタスといった複雑なクラスで顕著であった。
• 近隣選択と再構成重み付けにおける空間-分光的一致性を活用することで、曖昧またはノイズの多い領域での分類誤りが効果的に低減された。
• アブレーションスタディにより、SSCDおよび空間的重み付き再構成メカニズムの両方が性能に不可欠であることが確認され、いずれかのコンponentsを除外すると顕著な精度低下が生じた。