[論文レビュー] Semi-supervised Learning with Graphs: Covariance Based Superpixels For Hyperspectral Image Classification

Philip Sellars, Angelica I. Avilés-Rivero+4 more|arXiv (Cornell University)|Jan 14, 2019

Remote-Sensing Image Classification参考文献 14被引用数 5

ひとこと要約

本論文は、スペクトル共分散に基づくスーパープิกセルを用いて特徴表現を向上させる、半教師ありグラフベースの高光譜画像分類フレームワークを提案する。類似度に基づくエッジを有するスーパープイクセルグラフを構築し、最小限のラベル付きデータを活用することで、特にクラスあたり3～20ピクセルのラベル付きデータでの学習において、最先端の精度を達成し、ベンチマークデータセット上で既存手法を上回った。

ABSTRACT

In this paper, we present a graph-based semi-supervised framework for hyperspectral image classification. We first introduce a novel superpixel algorithm based on the spectral covariance matrix representation of pixels to provide a better representation of our data. We then construct a superpixel graph, based on carefully considered feature vectors, before performing classification. We demonstrate, through a set of experimental results using two benchmarking datasets, that our approach outperforms three state-of-the-art classification frameworks, especially when an extremely small amount of labelled data is used.

研究の動機と目的

• 高コストで時間がかかるラベル付けの課題を、限られたラベル付きデータを活用することで解決すること。
• 大規模なラベル付きデータを必要とする教師あり学習の限界と、不適切なクラスタリングを引き起こす可能性のある教師なし学習の限界を克服すること。
• 空間的・スペクトル的特徴表現と効率的なグラフ構築を統合した、グラフベースの半教師ありフレームワークを開発すること。
• 局所的なスペクトル共分散を用いてスペクトル的および空間的文脈を捉える、HSIに特化した新しいスーパープイクセルアルゴリズムを設計すること。
• 極度のデータ不足、特に低ショット学習状況下での本手法の優位性を実証すること。

提案手法

• 計算効率を向上させるために、分散の98％を保持するように次元削減のためのPCAを適用する。
• 局所的コンテンツ密度を用いて動的に探索範囲を調整することで、セグメンテーション品質を向上させる、スペクトル共分散行列表現に基づく新しいスーパープイクセルアルゴリズムを提案する。
• 各スーパープイクセル内におけるスペクトル応答の平均と共分散を用いて、スーパープイクセル特徴ベクトルを構築し、空間的・スペクトル的情報を符号化する。
• 各スーパープイクセルをノードとし、スーパープイクセル特徴ベクトル間の類似度に基づいて重み付けされたエッジを有するグラフを構築する。類似度にはガウスカーネルを用いる。
• グラフに基づくラベルスムージングを用いて、少数のラベル付きスーパープイクセルからラベルを未ラベルのものへ伝搬する統一された半教師あり学習フレームワークを適用する。
• 粗いから細かい順の経験的探索により、ハイパーパラメータ（例：スーパープイクセル数、PCAの成分数）を最適化する。

実験結果

リサーチクエスチョン

• RQ1 グラフベースの半教師あり学習フレームワークは、最小限のラベル付きデータで高光譜画像分類において優れた精度を達成できるか？
• RQ2 スペクトル共分散を用いたスーパープイクセルベースの表現は、従来の固定ウィンドウ法や標準的なスーパープイクセル手法と比較して、特徴抽出をどのように改善するか？
• RQ3 特徴選択とグラフ構築の相乗効果が、低ショット設定下での分類性能をどの程度向上させるか？
• RQ4 極度のラベル不足下で、本手法は最先端の教師ありおよび半教師ありHSI分類手法と比較してどのように優れているか？
• RQ5 共分散に基づくスーパープイクセルの使用は、分類マップにおける境界の保持を向上させるとともにノイズを低減するか？

主な発見

• パビア大学データセットでは、クラスあたり10ピクセルのラベル付きデータを用いて、本手法HSGCは全体精度（OA）91.5％を達成し、LCMR（87.9％）、IFRF（79.1％）、SVM（69.7％）を大きく上回った。
• クラスあたり3ピクセルのラベル付きデータでの学習において、HSGCはパビア大学データセットで81.2％のOA、インディアン・パインズデータセットで72.4％のOAを達成し、次に優れた手法（LCMR：67.5％、65.4％）を著しく上回った。
• インディアン・パインズデータセットでは、クラスあたり20ピクセルのラベル付きデータを用いて、HSGCは94.1％のOAを達成し、LCMR（90.7％）、IFRF（89.4％）、SVM（62.1％）を上回った。
• 本手法は、10回の実行における標準偏差が最小であり、ラベル不足下でも安定した性能を示した。
• 可視化分析により、HSGCは競合手法と比較して、より滑らかな分類マップを生成し、外れ値が少なく、境界の保持が優れていた。
• クラスあたり10ピクセルのラベル付きデータを用いた場合、HSGCのカッパ係数はパビア大学で88.9％、インディアン・パインズで88.4％に達し、ランダムな一致を上回る強い一致を示した。