[論文レビュー] Land Use and Land Cover Classification using a Human Group based Particle Swarm Optimization Algorithm with a LSTM classifier on hybrid-pre-processing Remote Sensing Images

T. Kowsalya, Maheswari, K. Uma+3 more|arXiv (Cornell University)|Aug 4, 2020

Remote-Sensing Image Classification参考文献 52被引用数 9

ひとこと要約

本稿では、リモートセンシング画像を用いた土地被覆・土地利用（LULC）分類のための新規なハイブリッド特徴最適化およびディープラーニングフレームワークを提案する。局所的ガボールバイナリパターン、HOG、Haralick特徴を人間グループに基づく粒子群最適化（HG-PSO）で特徴選択し、その後LSTM分類器を適用することで、GoogleNet や VGG などのモデルと比較して2.56%の精度向上を達成した。

ABSTRACT

Land use and land cover (LULC) classification using remote sensing imagery plays a vital role in many environment modeling and land use inventories. In this study, a hybrid feature optimization algorithm along with a deep learning classifier is proposed to improve the performance of LULC classification, helping to predict wildlife habitat, deteriorating environmental quality, haphazard, etc. LULC classification is assessed using Sat 4, Sat 6 and Eurosat datasets. After the selection of remote sensing images, normalization and histogram equalization methods are used to improve the quality of the images. Then, a hybrid optimization is accomplished by using the Local Gabor Binary Pattern Histogram Sequence (LGBPHS), the Histogram of Oriented Gradient (HOG) and Haralick texture features, for the feature extraction from the selected images. The benefits of this hybrid optimization are a high discriminative power and invariance to color and grayscale images. Next, a Human Group based Particle Swarm Optimization (PSO) algorithm is applied to select the optimal features, whose benefits are fast convergence rate and easy to implement. After selecting the optimal feature values, a Long Short Term Memory (LSTM) network is utilized to classify the LULC classes. Experimental results showed that the Human Group based PSO algorithm with a LSTM classifier effectively well differentiates the land use and land cover classes in terms of classification accuracy, recall and precision. An improvement of 2.56% in accuracy is achieved compared to the existing models GoogleNet, VGG, AlexNet, ConvNet, when the proposed method is applied.

研究の動機と目的

• 環境モニタリングおよび生息環境評価のため、リモートセンシング画像における土地被覆・土地利用分類の精度を向上させること。
• 高次元的でノイズが多く、重複するリモートセンシング特徴の課題を、効果的なハイブリッド特徴最適化戦略によって解決すること。
• 複数のテクスチャおよび勾配ベース特徴を、高度なメタヒューリスティック最適化手法と組み合わせることで分類性能を向上させること。
• 長短記憶（LSTM）ネットワークの逐次的モデリング能力を活用し、空間的およびスペクトル的に複雑な土地被覆クラスの分類を改善すること。
• ベンチマークデータセット（Sat 4, Sat 6, Eurosat）上で提案手法を検証し、既存のディープラーニングモデルを上回ることを示すこと。

提案手法

• 画像品質とコントラストを向上させるために、正規化およびヒストограм等化を用いたリモートセンシング画像の前処理。
• 局所的ガボールバイナリパターンヒストグラムシーケンス（LGBPHS）、勾配方向のヒストグラム（HOG）、Haralickテクスチャ特徴を用いたマルチスケールのテクスチャおよび勾配特徴抽出。
• 高速収束性と頑健性を活かし、最も識別的な特徴サブセットを選択するために、人間グループに基づく粒子群最適化（HG-PSO）アルゴリズムを適用。
• 選択された最適特徴を、土地被覆・土地利用クラスのエンドツーエンド分類を目的とした長短記憶（LSTM）ネットワークに供給。
• 色不変性および強度不変性の特徴を統合したハイブリッド特徴表現を用いることで、多様な画像条件での一般化能力を向上させること。
• PSOにおける人間の意思決定ダイナミクスを模倣した社会的グループ行動としての探索空間のモデル化により、特徴選択プロセスを最適化すること。

実験結果

リサーチクエスチョン

• RQ1 LGBPHS、HOG、Haralick特徴を組み合わせたハイブリッド特徴抽出戦略は、LULC分類の識別力を向上させることができるか？
• RQ2 人間グループに基づく粒子群最適化（HG-PSO）アルゴリズムは、従来の特徴選択手法と比較して収束速度および分類精度において優れているか？
• RQ3 最適化された特徴とLSTM分類器を統合することで、標準的なCNNと比較して、複雑な土地被覆タイプの分類性能がどの程度向上するか？
• RQ4 標準的なリモートセンシングデータセット上で、提案フレームワークはGoogleNet、VGG、AlexNet、ConvNetといった最先端モデルと比較してどの程度の性能を示すか？
• RQ5 正規化およびヒストограм等化を含む画像前処理技術は、提案パイプライン全体の分類精度にどのような影響を及えるか？

主な発見

• 提案手法は、Sat 4、Sat 6、Eurosatデータセットにおいて、GoogleNet、VGG、AlexNet、ConvNetと比較して2.56%の分類精度向上を達成した。
• 人間グループに基づくPSOアルゴリズムは高速収束を示し、最適な特徴サブセットの効果的選択が可能となり、冗長性の低減と識別能の向上が実現した。
• LGBPHS、HOG、Haralick特徴の統合により、色およびグレースケールの変動に対して強い不変性が得られ、多様な画像条件でのロバスト性が向上した。
• LSTM分類器は特徴シーケンス内の空間的および文脈的依存関係を効果的に捉え、複雑な土地被覆タイプの分類において高い再現率と適合率を達成した。
• 正規化およびヒストограм等化による画像前処理は、入力品質を顕著に向上させ、特徴抽出および分類結果の質の向上に寄与した。
• ハイブリッド前処理および最適化パイプラインは、3つのベンチマークデータセットすべてで一貫した性能向上を達成し、一般化能力の有効性を確認した。