[論文レビュー] Hyperspectral Band Selection for Multispectral Image Classification with Convolutional Networks

Giorgio Morales, John W. Sheppard+2 more|arXiv (Cornell University)|Jun 1, 2021

Remote-Sensing Image Classification参考文献 28被引用数 15

ひとこと要約

本稿では、最初に帯域間冗長性解析（IBRA）を用いてスペクトル冗長性を低減し、その後情報エントロピーに基づくグリーディスペクトル選択（GSS）を適用することで、情報量の多い帯域を特定する2段階のバンド選択手法を提案する。この手法は、2つのベンチマークデータセットで最先端の分類精度を達成するとともに、最適なフィルタ中心を特定することで、効率的なマルチスペクトルセンサ設計を可能にする。

ABSTRACT

In recent years, Hyperspectral Imaging (HSI) has become a powerful source for reliable data in applications such as remote sensing, agriculture, and biomedicine. However, hyperspectral images are highly data-dense and often benefit from methods to reduce the number of spectral bands while retaining the most useful information for a specific application. We propose a novel band selection method to select a reduced set of wavelengths, obtained from an HSI system in the context of image classification. Our approach consists of two main steps: the first utilizes a filter-based approach to find relevant spectral bands based on a collinearity analysis between a band and its neighbors. This analysis helps to remove redundant bands and dramatically reduces the search space. The second step applies a wrapper-based approach to select bands from the reduced set based on their information entropy values, and trains a compact Convolutional Neural Network (CNN) to evaluate the performance of the current selection. We present classification results obtained from our method and compare them to other feature selection methods on two hyperspectral image datasets. Additionally, we use the original hyperspectral data cube to simulate the process of using actual filters in a multispectral imager. We show that our method produces more suitable results for a multispectral sensor design.

研究の動機と目的

• ハイパースペクトル画像（HSI）における高いデータ密度と計算複雑性の課題に対処し、最小限の情報量を持つスペクトルバンドのセットを選択すること。
• 分類性能を維持しつつスペクトル次元を低減する特徴選択手法の開発。
• コンactでタスク特化型のマルチスペクトルイメージャーに適した最適なスペクトルバンドを同定すること。
• ハイパースペクトルデータセットにおける分類精度において、既存の特徴選択手法を上回ること。
• バンド選択を通じて、ハイパースペクトルデータと実用的マルチスペクトルセンサアプリケーションの間のギャップを埋めること。

提案手法

• 本手法は、帯域間冗長性解析（IBRA）から始まり、各帯域とその近隣帯域の相関性に基づく距離尺度を計算することで、冗長性が最小限のスペクトル領域を特定する。
• IBRAは、距離-相関性プロファイルの局所的最小値を、候補となるセンターバンドとして特定し、関連するバンドの探索空間を効果的に縮小する。
• グリーディスペクトル選択（GSS）ステップでは、情報エントロピーに基づいて事前に選択されたバンドをランク付けし、情報量の多いバンドを優先する。
• GSSプロセスは、強い多重共線性を示すバンドを段階的に除外し、分類性能を再評価することで最終的なバンドセットを最適化する。
• 選択されたバンド上で、コンactな畳み込みニューラルネットワーク（CNN）を訓練し、分類性能を評価する。
• 選択されたバンドを中心とするガウス型フィルタをモデル化することで、マルチスペクトルシステムと直接比較可能なマルチスペクトルフィルタ応答をシミュレートする。

実験結果

リサーチクエスチョン

• RQ1 冗長性解析とエントロピーに基づくランク付けを組み合わせた2段階の特徴選択手法が、既存のバンド選択技術を上回る性能を示せるか？
• RQ2 提案されたIBRA手法が、分類に必要な情報を保持しつつ、関連するスペクトルバンドの探索空間を効果的に縮小できるか？
• RQ3 ハイパースペクトルキューブから選択されたバンドを、同等の分類性能を示す実用的マルチスペクトルフィルタ設計に直接マッピングできるか？
• RQ4 選択バンド数の変動（例：5バンド vs. 10バンド）に伴い、本手法の性能はどのように変化するか？
• RQ5 GSSによる多重共線性バンドの除去は、単純なエントロピー順ランク付けに比べて、分類精度をどの程度向上させるか？

主な発見

• インディアン・パインズデータセットでは、5バンドで98.08％の全体精度を達成し、FNGBS（97.49％）やHAGRID（96.74％）をすべて上回った。
• インディアン・パインズで10バンドを使用した場合、F1スコアは98.48％に達し、FNGBS（97.82％）やHAGRID（96.91％）を顕著に上回った。
• コキアデータセットでは、10バンドでF1スコア96.45％を達成し、PLS-DA（94.76％）、OCF（95.16％）、HAGRID（95.33％）を上回った。
• 元のバンド選択手法とシミュレートされたマルチスペクトルフィルタアプローチの分類性能はほぼ同一であり、本手法がセンサ設計に適していることを確認した。
• バンド数が少ない場合（例：5～10バンド）に、本手法と他の手法との性能差が拡大したため、低バンド幅環境下でも優れた効率性を示した。
• 本手法は、代表的で冗長性のないフィルタ中心（例：391.2、463.3、518.4、616.0、658.4、675.3 nm）を効果的に同定でき、実用的なマルチスペクトルイメージャー設計を可能にした。