[論文レビュー] Predicting Food Security Outcomes Using Convolutional Neural Networks (CNNs) for Satellite Tasking

Swetava Ganguli, Jared Dunnmon+1 more|arXiv (Cornell University)|Feb 13, 2019

Nutritional Studies and Diet参考文献 11被引用数 10

ひとこと要約

本論文は、転移学習とDeepSatおよびSustLabデータセットへの直接学習を用いて、衛星画像から食料安全保障指標（例：低身長、栄養不良のzスコア）を予測するCNNベースのフレームワークを提案する。さらに、これらの予測値をベイジアンネットワークと組み合わせたマルコフ決定過程（MDP）に統合し、食料不安定地域における不確実性を考慮した最適な衛星タスク計画を実現した。その結果、45%のテスト精度を達成し、最先端手法の39%というベースラインを上回った。

ABSTRACT

Obtaining reliable data describing local Food Security Metrics (FSM) at a granularity that is informative to policy-makers requires expensive and logistically difficult surveys, particularly in the developing world. We train a CNN on publicly available satellite data describing land cover classification and use both transfer learning and direct training to build a model for FSM prediction purely from satellite imagery data. We then propose efficient tasking algorithms for high resolution satellite assets via transfer learning, Markovian search algorithms, and Bayesian networks.

研究の動機と目的

• 地元の食料安全保障指標を、地元調査の費用がかかる調査データを一切使わず、衛星画像のみで予測すること。
• 曇りや不確実性がある中でも、食料不安定地域を優先的にターゲットとする、効率的で適応的な衛星タスク計画戦略を開発すること。
• CNNベースの食料安全保障予測を強化学習フレームワークに統合し、自律的な衛星パス計画を実現すること。
• 転移学習と直接学習の両方が、衛星画像を用いた食料安全保障予測に与える影響を評価すること。
• ベイジアンネットワークとマルコフ決定過程（MDP）を用いて、衛星タスク計画におけるエピステミック的不確実性をモデル化すること。

提案手法

• DeepSatデータセットの28×28 m解像度の衛星タイルを用いて、VGG風のCNNを土地被覆分類のための学習に使用する。
• 訓練済みのCNNを特徴抽出器として用いるか、リッジ回帰またはエンドツーエンド学習により直接微調整し、食料安全保障指標の予測に応用する。
• 大規模な400×400 kmの衛星画像を12×12 mのサブタイルに分割し、28×28 mにアップサンプリングして、CNNを適用し、各タイルごとの食料安全保障スコアを生成する。
• 衛星パス計画をマルコフ決定過程（MDP）としてモデル化し、各タイルの報酬をその予測された食料安全保障指標に対応付ける。
• 曇りの不確実性を、遷移確率 p(C^t=1|C^{t-1}=1)=0.5 および p(C^t=1|C^{t-1}=0)=0.5 を持つベイジアンネットワークで扱う。
• 価値反復法を用いて、曇りで遮蔽された領域を避ける最適な方策を計算し、遮蔽されたタイルには報酬をゼロに設定する。

実験結果

リサーチクエスチョン

• RQ1 地元調査データが存在しない状況でも、衛星画像を用いたCNNが、低身長や栄養不良のzスコアといった食料安全保障指標を正確に予測できるか？
• RQ2 土地被覆分類モデルからの転移学習は、直接学習と比較して、食料安全保障予測の精度をどのように向上させるか？
• RQ3 ベイジアンネットワークとMDPを用いた不確実性を考慮したパス計画は、曇りやデータが乏しい環境下で衛星タスク計画の効率をどのように向上させるか？
• RQ4 曇りによる遮蔽下でも、MDPベースの方策は一様コスト探索（UCS）と比較して、パスの最適性と耐性にどのような差を示すか？
• RQ5 強化学習フレームワークにCNNベースの予測値を統合することで、自律的衛星タスク計画にどのような影響を与えるか？

主な発見

• CNNはDeepSatデータセットにおいて土地被覆分類で87%の精度を達成し、最先端の性能と同等であった。
• 転移学習または直接学習を用いた場合、食料安全保障指標の予測で45%のテスト精度を達成し、既存手法の39%というベースラインを上回った。
• 夜間光データから抽出した特徴量ではなく、食料安全保障という目的変数そのものに直接学習させた方が、より優れた結果が得られた。これは、タスク固有の学習の価値を示している。
• MDPベースのパス計画戦略は、曇りで遮蔽された領域を効果的に回避し、不確実性下でもUCSよりも明確でより頑健なパスを生成した。
• 指定された遷移確率を用いたMDPにおける価値反復により、リソース制限のある衛星ハードウェアに適した、安定的かつ再計算可能な最適方策が得られた。
• CNNの予測値を報酬関数に統合することで、部分的視認であっても、最も食料が不安定な地域を優先して通過する衛星の行動が可能になった。