[論文レビュー] Fast forward feature selection for the nonlinear classification of hyperspectral images

Mathieu Fauvel, Clément Dechesne+2 more|arXiv (Cornell University)|Jan 5, 2015

Remote-Sensing Image Classification参考文献 13被引用数 7

ひとこと要約

本稿では、ガウス・ミックスチャネル・モデル（GMM）分類器を用いた非線形ハイパースペクトル画像分類のための高速前向き特徴選択アルゴリズムを提案する。k-フォールド交差検証による分類率の推定値を最大化するスペクトル特徴を繰り返し選択し、効率的なGMMの更新と周辺化を活用することで、最小限の計算コストで高い精度を達成し、わずか数個の重要なスペクトルバンドを選択する。従来のSVMベースのスパース手法を上回る性能を示す。

ABSTRACT

A fast forward feature selection algorithm is presented in this paper. It is based on a Gaussian mixture model (GMM) classifier. GMM are used for classifying hyperspectral images. The algorithm selects iteratively spectral features that maximizes an estimation of the classification rate. The estimation is done using the k-fold cross validation. In order to perform fast in terms of computing time, an efficient implementation is proposed. First, the GMM can be updated when the estimation of the classification rate is computed, rather than re-estimate the full model. Secondly, using marginalization of the GMM, sub models can be directly obtained from the full model learned with all the spectral features. Experimental results for two real hyperspectral data sets show that the method performs very well in terms of classification accuracy and processing time. Furthermore, the extracted model contains very few spectral channels.

研究の動機と目的

• ハイパースペクトル画像分類における「ヒューズ現象」に対処するため、分類精度を維持しつつスペクトル次元を低減すること。
• 非線形分類のための最小限の関連スペクトルバンドのサブセットを効率的かつ解釈可能に選択する特徴選択手法の開発。
• GMMの性質を活用して迅速なモデル更新と部分モデル抽出を実現することで、従来手法よりも計算効率を向上させること。
• 選択された特徴の解釈を容易にするために、元のスペクトルチャンネルを保持することで、鉱物学的・化学的分析に適した特徴の特定を可能にすること。
• 隣接するスペクトルバンド間に高い相関がある状況下でも、特徴選択の安定性と頑健性を調査すること。

提案手法

• 分類器としてガウス・ミックスチャネル・モデル（GMM）を用い、初期段階ですべてのスペクトル特徴に対して訓練を行う。
• 各反復で、k-フォールド交差検証による分類率推定値を最大にするスペクトル特徴を選択する。
• 交差検証中に効率的なGMMの更新を実施し、各ステップでモデルを完全に再推定する必要を回避する。
• 任意の特徴集合の部分モデルは、完全なGMMの周辺化により直接得られ、候補となる特徴集合の迅速な評価を可能にする。
• 性能向上の度合いに基づいて、1回ずつ特徴を追加する前向き選択戦略を採用する。
• 2つのバリエーションを評価：5-NPFS（delta = 5%）とn-NPFS（適応的delta）、前者は著しく高速である。

実験結果

リサーチクエスチョン

• RQ1 GMMに基づく高速前向き特徴選択法は、ハイパースペクトル画像分類において、最小限の計算コストで高い分類精度を達成できるか？
• RQ2 本手法は、SVMベースのスパース特徴選択法と比較して、精度と効率の点でどのように異なるか？
• RQ3 隣接するバンド間に高い相関がある状況でも、スペクトル特徴の選択がどれほど安定しているか？
• RQ4 停止基準パラメータ（delta）の値が、選択された特徴数と分類性能に与える影響は何か？
• RQ5 本手法は、赤外エッジ領域（例：680–750nm）のような物理的に意味のある特徴バンドを効果的に特定できるか？

主な発見

• 5-NPFSバージョンは、フルSVMベースの手法と同等の分類率を達成しながら、選択されたスペクトルバンドの数を非常に少なくした。
• 平均して5〜10個のスペクトルバンドしか選択しておらず、772nm、501nm、540nmのチャンネルが最も頻繁に選択された。
• 5-NPFSはn-NPFSよりも著しく高速であり、類似した特徴選択性能を示したため、大規模データセットに対してより実用的であった。
• deltaが0.5%未満に設定された場合、分類性能の向上が止まり、性能の plateau に達した。
• 赤外エッジ領域（約680–750nm）は複数回の実行で一貫して選択され、分類の分離性に関連している可能性を示唆した。
• 隣接するスペクトルバンド間に高い相関があると、特徴選択が不安定になり、異なる訓練セットで近接するチャンネルが交互に選択される傾向が見られた。