[論文レビュー] Hyperspectral Band Selection Using Unsupervised Non-Linear Deep Auto Encoder to Train External Classifiers.

Muhammad Ahmad, Stanislav Protasov+1 more|arXiv (Cornell University)|May 19, 2017

Remote-Sensing Image Classification被引用数 7

ひとこと要約

本稿では、次元削減の過程でデータの幾何構造を保持しつつ、ハイパースペクトルバンド選択のための非線形深層自己符号化器（UDAE）を提案する。再構成誤差を最小限に抑える低次元表現を学習することで、複数の分類器と公開済みのハイパースペクトルデータセットを用いた分類タスクにおいて、最先端の手法よりも優れた性能を達成する。

ABSTRACT

Hyperspectral image classification often requires selecting the most informative bands instead of processing the whole data without losing the geometrical representation of the data. Existing dimensionality reduction and band selection methods have the capability to reveal the nonlinear properties exhibited in the data but at the expense of losing its geometrical representation. To cope with the said issue, an unsupervised nonlinear deep autoencoder (UDAE) based band selection method is proposed. Our aim is to find an optimal mapping and construct a lower-dimensional space that has a similar structure to the original data with least reconstruction error. Our experiments on a publicly available hyperspectral dataset, with various types of classifiers, demonstrate the effectiveness of UDAE method, which equates favorably with other state-of-the-art dimensionality reduction and band selection methods.

研究の動機と目的

• ハイパースペクトルデータの次元削減の過程で幾何構造を保持する課題に対処すること。
• ラベル付きデータに依存せずに情報量の多いバンドを選択できる非教師あり深層学習手法を開発すること。
• 低次元空間における再構成誤差を最小限に抑えつつ、データの本質的構造を維持すること。
• 非線形で深層的な自己符号化器アーキテクチャを用いて最適なバンドを選択することで分類性能を向上させること。
• 公開済みのハイパースペクトルデータセットを用いて、UDAEの有効性を多様な外部分類器に対して検証すること。

提案手法

• 非教師あり非線形深層自己符号化器（UDAE）を訓練し、ハイパースペクトルデータのコンactかつ低次元の表現を学習する。
• 入力と出力データ間の再構成誤差を最小化する最適な非線形写像を自己符号化器が学習する。
• 学習されたエンコーダーは、元の高次元データを、データの本質的幾何構造を保持した低次元空間にマッピングする。
• 選択されたバンドは、学習された低次元表現から得られ、再構成に最も寄与するものを中心に選定する。
• この手法はラベル付きデータを必要としないため、非教師ありバンド選択に適している。
• 最終的なバンドサブセットは外部分類器の学習に使用され、実世界の分類タスクにおける性能評価が可能になる。

実験結果

リサーチクエスチョン

• RQ1 非教師あり深層自己符号化器は、次元削減の過程でハイパースペクトルデータの幾何構造を効果的に保持できるか？
• RQ2 UDAEに基づくバンド選択は、既存の最先端の次元削減およびバンド選択手法と比較して、分類性能でどのように差をつけるか？
• RQ3 UDAE手法は、バンド数を削減する中で、どの程度データ構造を維持できるか？
• RQ4 UDAE手法は、ハイパースペクトル画像分類において、さまざまな種類の外部分類器に一般化できるか？
• RQ5 再構成誤差の最小化は、バンド選択の質および分類精度にどのような影響を与えるか？

主な発見

• UDAE手法は、最先端の次元削減およびバンド選択技術と比較して、競争力あるか、あるいはそれを上回る分類性能を達成する。
• この手法は、低次元空間においてもハイパースペクトルデータの幾何構造を効果的に保持し、再構成誤差を最小限に抑える。
• 公開済みのハイパースペクトルデータセットを用いた実験により、UDAEに基づくバンド選択が多様な外部分類器において分類精度を向上させることを確認した。
• UDAEの非教師あり性により、ラベル付き学習データを必要とせずに効果的なバンド選択が可能である。
• UDAE表現から選択されたバンドは非常に情報量が多く、ランダム選択やヒューリスティック手法と比較して、分類結果が顕著に向上する。
• この手法は、さまざまな分類器タイプに対して頑健で一般化性を示し、実世界の応用における有効性を裏付けた。