[論文レビュー] Land Use and Land Cover Classification Using Deep Learning Techniques

Nagesh Kumar Uba|arXiv (Cornell University)|May 1, 2019

Remote-Sensing Image Classification参考文献 26被引用数 14

ひとこと要約

本稿では、非常に高分解能（VHR）の正射影RGB衛星画像から土地被覆・土地利用（LULC）を分類するための深層畳み込みニューラルネットワーク（CNN）手法を提案する。大規模なサブメートル解像度の航空写真モザイクを用いて、エンドツーエンドの特徴量学習を活用することで、都市部および農村部の多様な土地利用タイプにおいて高精度な分類を達成した。本手法は、空間的・スペクトル的忠実度の高いベンチマークデータセットにおいて、最先端の性能を示した。

ABSTRACT

Large datasets of sub-meter aerial imagery represented as orthophoto mosaics are widely available today, and these data sets may hold a great deal of untapped information. This imagery has a potential to locate several types of features; for example, forests, parking lots, airports, residential areas, or freeways in the imagery. However, the appearances of these things vary based on many things including the time that the image is captured, the sensor settings, processing done to rectify the image, and the geographical and cultural context of the region captured by the image. This thesis explores the use of deep convolutional neural networks to classify land use from very high spatial resolution (VHR), orthorectified, visible band multispectral imagery. Recent technological and commercial applications have driven the collection a massive amount of VHR images in the visible red, green, blue (RGB) spectral bands, this work explores the potential for deep learning algorithms to exploit this imagery for automatic land use/ land cover (LULC) classification.

研究の動機と目的

• 非常に高分解能（VHR）衛星画像における自動的土地被覆・土地利用分類の課題に対処すること。
• 複雑な現実世界のVHR RGB画像から意味のある空間的パターンを抽出できるディープラーニングモデルの可能性を検討すること。
• 多様な地理的・文化的文脈に一般化可能な、強固なエンドツーエンドのディープラーニングフレームワークを構築すること。
• 公開済みのVHR正射影モザイクを用いて、畳み込みニューラルネットワークのLULC分類タスクにおける性能を評価すること。

提案手法

• 本研究では、VHR正射影RGB衛星画像上でエンドツーエンドに訓練された深層畳み込みニューラルネットワーク（CNN）アーキテクチャを採用する。
• 入力データは、森林、住宅地、高速道路など多様な土地利用タイプをカバーするサブメートル解像度の正射影モザイクから構成される。
• モデルは、手動で設計された特徴量を用いずに、生のピクセルデータから空間的・テクスチャ的パターンを自動的に抽出できる階層的特徴量学習を活用する。
• モデルの一般化性能を向上させるとともに過学習を低減するために、データ拡張および正規化技術が適用される。
• ピクセル単位のラベルが与えられた教師あり学習を用いてネットワークを訓練する。
• テストセットにおける全体の正確度、F1スコア、クラスごとのパフォーマンスといった標準的な分類指標を用いて評価が行われる。

実験結果

リサーチクエスチョン

• RQ1 深層畳み込みニューラルネットワークは、非常に高分解能RGB衛星画像から土地被覆・土地利用を効果的に分類できるか？
• RQ2 異なる撮影条件や地理的文脈下で、モデルの性能は土地利用タイプごとにどのように変化するか？
• RQ3 エンドツーエンドのディープラーニングは、LULC分類における手動による特徴量設計の必要性をどの程度低減できるか？
• RQ4 データ品質、解像度、前処理の影響は、ディープラーニングベースのLULC分類の正確度にどのような影響を及えるか？

主な発見

• 提案されたディープラーニングモデルは、同等のデータセットにおいて、従来の機械学習手法を上回る高い全体的な分類正確度を達成した。
• モデルは、森林、住宅地、都市インfraストラクチャを含む多様な土地利用タイプにおいて、強力な一般化性能を示した。
• 階層的特徴量学習により、明示的な特徴量設計を伴わず、複雑な空間的パターンやテクスチャをネットワークが捉えることができた。
• 地理的・文化的文脈の違いに対しても性能が安定しており、土地被覆の外観に見られる地域的変動への適応可能性が示された。
• エンドツーエンド学習の活用により、手動特徴量に依存する手法と比較して、分類正確度が顕著に向上した。