[論文レビュー] Region-Based Classification of PolSAR Data Using Radial Basis Kernel Functions With Stochastic Distances

R. G. Negri, A. C. Frery+3 more|arXiv (Cornell University)|May 7, 2018

Synthetic Aperture Radar (SAR) Applications and Techniques被引用数 4

ひとこと要約

本稿では、複素ウィッシュァルト分布間の確率的距離（カルバック・ライブラーマン、Rényi、バタチャリャ、ヘリンジャー、カイ二乗）に基づく径持基底カーネル関数を用いたサポートベクターマシン（SVM）を用いた、新しい領域ベースのPolSAR分類手法を提案する。この手法は、不完全な訓練データ下でも最小距離分類（MDC）よりもロバスト性と精度に優れ、特にカルバック・ライブラーマン距離とRényi距離が最高の性能を示したが、計算コストが高かった。

ABSTRACT

Region-based classification of PolSAR data can be effectively performed by seeking for the assignment that minimizes a distance between prototypes and segments. Silva et al (2013) used stochastic distances between complex multivariate Wishart models which, differently from other measures, are computationally tractable. In this work we assess the robustness of such approach with respect to errors in the training stage, and propose an extension that alleviates such problems. We introduce robustness in the process by incorporating a combination of radial basis kernel functions and stochastic distances with Support Vector Machines (SVM). We consider several stochastic distances between Wishart: Bhatacharyya, Kullback-Leibler, Chi-Square, Rényi, and Hellinger. We perform two case studies with PolSAR images, both simulated and from actual sensors, and different classification scenarios to compare the performance of Minimum Distance and SVM classification frameworks. With this, we model the situation of imperfect training samples. We show that SVM with the proposed kernel functions achieves better performance with respect to Minimum Distance, at the expense of more computational resources and the need of parameter tuning. Code and data are provided for reproducibility.

研究の動機と目的

• 不完全な訓練サンプル下における領域ベースのPolSAR分類のロバスト性を向上させること。
• Bhattacharyya、Kullback-Leibler、カイ二乗、Rényi、ヘリンジャーの確率的距離が、PolSARデータのSVMにおけるカーネル関数として有効であるかを検証すること。
• 同じ距離を用いた最小距離分類器（MDC）と比較して、確率的距離に基づく径持基底カーネルを有するSVMの性能を評価すること。
• 多クラス戦略（OAA対OAO）およびクラス不均衡の分類精度への影響を評価すること。
• 再現可能性およびPolSAR画像解析における実用的応用を促進するため、オープンソースのコードとデータを提供すること。

提案手法

• 5つの確率的距離（Bhattacharyya、Kullback-Leibler、カイ二乗、Rényi、ヘリンジャー）を用いて、複素多変量ウィッシュァルト分布間の径持基底カーネル関数を定式化する。
• これらのカーネル関数を、PolSAR画像の領域ベース分類に適応したサポートベクターマシン（SVM）フレームワーク内に適用する。
• 複数の分類シナリオにおいて、シミュレーテッドPolSARデータと運用センサー（例：ALOS PALSAR）からの実データを用いる。
• 同じ確率的距離を用いてMDCと比較し、精度と計算コストを評価する。
• SVMにおける多クラス戦略としてOAA（One-Against-All）とOAO（One-against-One）を用い、分類性能への影響を評価する。
• 全体の正解率とカッパ係数といった定量的指標を用いて結果を検証し、統計的有意性の検定も実施する。

実験結果

リサーチクエスチョン

• RQ1 Bhattacharyya、Kullback-Leibler、カイ二乗、Rényi、ヘリンジャーの各確率的距離が、領域ベースのPolSAR分類におけるSVMの径持基底カーネル関数としてどのように機能するか？
• RQ2 確率的距離に基づくカーネルを有するSVMは、特に不完全な訓練データ下において、最小距離分類器（MDC）を上回る分類精度を達成するか？
• RQ3 多クラス戦略（OAA 対 OAO）は、PolSAR分類における確率的距離に基づくカーネルを有するSVMの性能にどのように影響するか？
• RQ4 クラス不均衡およびクラス内変動性は、MDCおよびSVMの分類精度にどのような影響を及えるか？
• RQ5 SVMカーネルに統合された場合、どの確率的距離が最もロバストで正確な分類結果をもたらすか？

主な発見

• Kullback-Leibler距離およびRényi距離に基づく径持基底カーネル関数を有するSVMは、すべてのシナリオで最高の分類精度を達成し、MDCを上回った。
• カイ二乗距離は数値的不安定性のため性能が低く、MDCおよびSVMフレームワークの両方で使用を推奨しない。
• MDCの性能はクラス内変動性の増加（＝クラス数の減少）に伴い低下する一方、SVMの性能はこのような条件下で向上した。
• OAA戦略を用いたSVMはOAOに比べて計算時間が長かったが、複雑なシナリオにおけるAAおよびPSクラスの分離が優れていた。
• 最初のシナリオ（7クラス）では、MDCおよびSVMともに農業クラス（A1、A2、A3）の区別に苦慮したが、後続のシナリオではSVMが優れた性能を示した。
• 実データ実験を通じて、重複や曖昧なクラスが存在する状況下でも、SVMはMDCよりもロバストであることが示された。