[論文レビュー] Machine learning based hyperspectral image analysis: A survey

Utsav B. Gewali, Sildomar T. Monteiro+1 more|arXiv (Cornell University)|Feb 23, 2018

Remote-Sensing Image Classification参考文献 207被引用数 105

ひとこと要約

スペクトル画像分析に適用された機械学習技術の総合的な調査で、分析タスクとMLアルゴリズム別に整理され、傾向、課題、今後の方向性を強調する。

ABSTRACT

Hyperspectral sensors enable the study of the chemical properties of scene materials remotely for the purpose of identification, detection, and chemical composition analysis of objects in the environment. Hence, hyperspectral images captured from earth observing satellites and aircraft have been increasingly important in agriculture, environmental monitoring, urban planning, mining, and defense. Machine learning algorithms due to their outstanding predictive power have become a key tool for modern hyperspectral image analysis. Therefore, a solid understanding of machine learning techniques have become essential for remote sensing researchers and practitioners. This paper reviews and compares recent machine learning-based hyperspectral image analysis methods published in literature. We organize the methods by the image analysis task and by the type of machine learning algorithm, and present a two-way mapping between the image analysis tasks and the types of machine learning algorithms that can be applied to them. The paper is comprehensive in coverage of both hyperspectral image analysis tasks and machine learning algorithms. The image analysis tasks considered are land cover classification, target detection, unmixing, and physical parameter estimation. The machine learning algorithms covered are Gaussian models, linear regression, logistic regression, support vector machines, Gaussian mixture model, latent linear models, sparse linear models, Gaussian mixture models, ensemble learning, directed graphical models, undirected graphical models, clustering, Gaussian processes, Dirichlet processes, and deep learning. We also discuss the open challenges in the field of hyperspectral image analysis and explore possible future directions.

研究の動機と目的

• ハイパースペクトル画像分析タスクと、それらに対処するために用いられるML手法の広範な概要を提供する。
• 地表被覆分類、ターゲット/異常検出、混合解（unmixing）、物理的・化学的パラメータ推定に関して、MLアルゴリズムを比較・分類する。
• MLベースのハイパースペクトル解析における未解決の課題を特定し、今後の研究の方向性を提案する。
• ハイパースペクトル環境において、物理ベースまたは固定モデルアプローチよりもML手法の柔軟性を示す。

提案手法

• 画像分析タスクとMLアルゴリズムタイプで手法を整理し、タスクを適切なアルゴリズムファミリにマッピングする。
• 査読付き刊行物で発表された205の手法を調査し、タスク-アルゴリズムの二次元マッピングに要約する。
• 次元性の課題、データのばらつき、特徴量抽出と空間スペクトル情報の役割について議論する。
• ハイパースペクトルML研究における未解決の課題と今後の方向性を強調する。

実験結果

リサーチクエスチョン

• RQ1 各ハイパースペクトル画像分析タスク（地表被覆分類、ターゲット/異常検出、混合解、パラメータ推定）にどの機械学習アルゴリズムが適用されているか？
• RQ2 さまざまなMLカテゴリ（ガウスモデル、回帰、SVM、GMM、グラフィカルモデル、クラスタリング、ガウス過程、ディリッチ過程、ディープラーニング）は、ハイパースペクトルタスク全体でどのように性能を発揮するか？
• RQ3 ハイパースペクトルMLの現状の課題（高次元性、地上真理の制限、スペクトル変動など）と潜在的な将来の方向性は何か？

主な発見

• 本調査は4つのタスクにわたる205件のMLベースのハイパースペクトル解析手法をカバーしている。
• 深層学習、ガウスモデル、回帰、SVM、確率モデル、グラフィカルモデルを含む多様なMLアプローチが、さまざまなタスクに適用されている。
• 次元削減、バンド選択、空間情報の統合が、高次元性への対処として共通の戦略である。
• ベイズ法が高次元のハイパースペクトルデータにおける不確実性の扱いに対して強調される。
• 本論文は未解決の課題を特定し、ハイパースペクトル解析のMLにおける今後の研究方向を提案している。