[論文レビュー] Multiclass Approaches for Support Vector Machine Based Land Cover Classification

Mahesh Pal|ArXiv.org|Feb 18, 2008

Remote-Sensing Image Classification参考文献 18被引用数 46

ひとこと要約

この論文は、リモートセンシングデータを用いた土地被覆分類において、6つの多値サポートベクターマシン（SVM）手法—ワン・バイズ・ワン、ワン・バイズ・レスト、有向無閉路グラフ（DAG）、誤り訂正出力符号（ECOC）、および2つの単一最適化手法—を評価している。その結果、ワン・バイズ・ワン手法が分類精度と計算効率の両面で最良のバランスを達成し、他の手法よりも両方の指標で優れていることが判明した。

ABSTRACT

SVMs were initially developed to perform binary classification; though, applications of binary classification are very limited. Most of the practical applications involve multiclass classification, especially in remote sensing land cover classification. A number of methods have been proposed to implement SVMs to produce multiclass classification. A number of methods to generate multiclass SVMs from binary SVMs have been proposed by researchers and is still a continuing research topic. This paper compares the performance of six multi-class approaches to solve classification problem with remote sensing data in term of classification accuracy and computational cost. One vs. one, one vs. rest, Directed Acyclic Graph (DAG), and Error Corrected Output Coding (ECOC) based multiclass approaches creates many binary classifiers and combines their results to determine the class label of a test pixel. Another catogery of multi class approach modify the binary class objective function and allows simultaneous computation of multiclass classification by solving a single optimisation problem. Results from this study conclude the usefulness of One vs. One multi class approach in term of accuracy and computational cost over other multi class approaches.

研究の動機と目的

• リモートセンシングデータを用いた土地被覆分類における、複数の多値SVMアプローチの性能を評価・比較すること。
• 異なる多値SVM戦略における分類精度と計算コストを評価すること。
• 実用的なリモートセンシング応用に最も効果的な多値SVMアプローチを特定すること。
• 多値SVM実装における精度と計算効率のトレードオフに関する実証的証拠を提供すること。

提案手法

• 本研究では、ワン・バイズ・ワン、ワン・バイズ・レスト、DAG、ECOC、および二つの単一最適化手法を含む6つの多値SVMアプローチを実装した。これらの手法は、バイナリSVMの目的関数を変更することで、多値問題を1回の最適化ステップで解く。
• 各手法は複数のバイナリ分類器を訓練し、それらの出力を統合してテストピクセルにクラスラベルを割り当てる。
• ワン・バイズ・ワン手法は、すべてのクラスペアの組み合わせを構築し、各ペアに対してバイナリ分類器を訓練する。
• ワン・バイズ・レスト手法は、各クラスごとに1つの分類器を訓練し、他のすべてのクラスと区別する。
• DAGおよびECOCは、バイナリ分類器の出力を統合するための階層的および符号ベースの戦略を用いる。
• 単一最適化手法は、SVMの目的関数を再定式化して、多値問題を1回の最適化ステップで解く。

実験結果

リサーチクエスチョン

• RQ1 リモートセンシングデータを用いた土地被覆マッピングにおいて、どの多値SVMアプローチが最高の分類精度を達成するか？
• RQ2 異なる多値SVMアプローチは、計算コストおよび処理時間の観点でどのように比較できるか？
• RQ3 ワン・バイズ・ワン手法は、多様なリモートセンシングデータセットにおいても優れた性能を維持するか？
• RQ4 DAG や ECOC などのアンサンブルベースの手法は、直接的な多値定式化と比較して、精度と効率の両面でどう異なるか？
• RQ5 単一最適化多値SVMは、ペアワイズまたはワン・バイズ・レスト戦略を上回る精度と速度を達成できるか？

主な発見

• ワン・バイズ・ワン手法は、評価されたすべての多値SVM手法の中で最高の分類精度を達成した。
• ワン・バイズ・ワンは最低の計算コストを示し、他の手法よりも効率的であった。
• ワン・バイズ・レストおよびECOC手法は、ワン・バイズ・ワンと比較して低い精度と高い処理時間を示した。
• DAGベースの手法は中程度の精度を示したが、ワン・バイズ・ワンよりも計算コストが高かった。
• 単一最適化多値SVMは、精度および計算効率の両面でワン・バイズ・ワンを上回らなかった。
• 全体として、ワン・バイズ・ワンは分類性能と計算コストの両面で最良のトレードオフを提供した。