[論文レビュー] Hyperspectral Unmixing: Ground Truth Labeling, Datasets, Benchmark Performances and Survey

Feiyun Zhu|arXiv (Cornell University)|Aug 17, 2017

Remote-Sensing Image Classification参考文献 99被引用数 83

ひとこと要約

この論文は、高スペクトル分解の一般的なグラウンドトゥルースラベリング手法を紹介し、18のグラウンドトゥルース変種を含む15の実データHUデータセットを要約し、HUのための高スペクトル分類データの変換を提案し、再現可能な評価のためのベンチマークとコードを提供します。

ABSTRACT

Hyperspectral unmixing (HU) is a very useful and increasingly popular preprocessing step for a wide range of hyperspectral applications. However, the HU research has been constrained a lot by three factors: (a) the number of hyperspectral images (especially the ones with ground truths) are very limited; (b) the ground truths of most hyperspectral images are not shared on the web, which may cause lots of unnecessary troubles for researchers to evaluate their algorithms; (c) the codes of most state-of-the-art methods are not shared, which may also delay the testing of new methods. Accordingly, this paper deals with the above issues from the following three perspectives: (1) as a profound contribution, we provide a general labeling method for the HU. With it, we labeled up to 15 hyperspectral images, providing 18 versions of ground truths. To the best of our knowledge, this is the first paper to summarize and share up to 15 hyperspectral images and their 18 versions of ground truths for the HU. Observing that the hyperspectral classification (HyC) has much more standard datasets (whose ground truths are generally publicly shared) than the HU, we propose an interesting method to transform the HyC datasets for the HU research. (2) To further facilitate the evaluation of HU methods under different conditions, we reviewed and implemented the algorithm to generate a complex synthetic hyperspectral image. By tuning the hyper-parameters in the code, we may verify the HU methods from four perspectives. The code would also be shared on the web. (3) To provide a standard comparison, we reviewed up to 10 state-of-the-art HU algorithms, then selected the 5 most benchmark HU algorithms, and compared them on the 15 real hyperspectral datasets. The experiment results are surely reproducible; the implemented codes would be shared on the web.

研究の動機と目的

• エンドメンバーとアバンダンスのグラウンドトゥルースを作成するための、HUの一般的なラベリング手法を提案する。
• 評価を標準化するために、15の実 HU 画像と18のグラウンドトゥルース変種を要約・共有する。
• 再現性のための合成 HU 画像生成アプローチを提供し、そのコードを共有する。
• 15の実 HU データセット上で、最先端の HU アルゴリズムをレビューしベンチマークする。

提案手法

• Section IV-AおよびIV-Bの手法を用いて HU のエンドメンバーとアバンダンスをラベリングする。
• ラベリング結果の評価フレームワークを提供する（Section IV-C）。
• HyCベンチマークデータセットを HU 互換フォーマットに変換する（Section IV-D）。
• 複雑な合成 HU 画像を生成・共有する（Section VI）。
• 最大10の HU 手法をレビューし、5つをベンチマークアルゴリズムとして実装する（Section III）。
• 5つのベンチマーク HU 手法を15の実 HU データセットで比較する（Section VII）。

実験結果

リサーチクエスチョン

• RQ1 複数のデータセットにわたって、HU のエンドメンバーとアバンダンスを体系的にラベリングするにはどうすればよいか？
• RQ2 HyCベンチマークデータセットを標準化評価のためのHU整合データセットに変換できるか？
• RQ3 複雑な合成 HU 画像が手法ベンチマークに与える影響は何か？
• RQ4 実デ HU データセットで最高のベンチマーク性能を示す HU 手法はどれか？
• RQ5 提供されたコードとグラウンドトゥルースデータセットは再現可能な HU 評価に十分か？

主な発見

• 一般的なラベリング手法はエンドメンバーとアバンダンスにラベルを付け、ラベリング結果の評価を提供する（Section IV）。
• 15の実 HU 画像から18のグラウンドトゥルース変種を作成し、HU評価の共有標準データセットとして機能する。
• 多視点 HU テストを可能にする複雑な合成 HU 画像が生成され、そのコードが共有される。
• 本論文は10の HU 手法をレビューし、5つの最先端手法のコードを提供する。
• 5つのベンチマーク HU 手法が実装され、15の実 HU データセットで評価される（再現性のある結果）。