[論文レビュー] Simultaneous Spectral-Spatial Feature Selection and Extraction for Hyperspectral Images

Lefei Zhang, Qian Zhang+4 more|arXiv (Cornell University)|Apr 8, 2019

Remote-Sensing Image Classification参考文献 52被引用数 4

ひとこと要約

本稿では、ハイパースペクトル画像分類のための、新たな同時スペクトル・スパテリアル特徴選択および抽出（S3FSE）フレームワークを提案する。共多様体学習と共グラフ正則化、およびℓ₂,₁-ノルム正則化を施した射影行列を活用することで、S3FSEは幾何的構造を同時に保持し、相補的なスペクトル・スパテリアル情報を活用し、情報量の多い特徴を選択する。3つのベンチマークデータセットにおいて、最先端の分類精度を達成した。

ABSTRACT

In hyperspectral remote sensing data mining, it is important to take into account of both spectral and spatial information, such as the spectral signature, texture feature and morphological property, to improve the performances, e.g., the image classification accuracy. In a feature representation point of view, a nature approach to handle this situation is to concatenate the spectral and spatial features into a single but high dimensional vector and then apply a certain dimension reduction technique directly on that concatenated vector before feed it into the subsequent classifier. However, multiple features from various domains definitely have different physical meanings and statistical properties, and thus such concatenation hasn't efficiently explore the complementary properties among different features, which should benefit for boost the feature discriminability. Furthermore, it is also difficult to interpret the transformed results of the concatenated vector. Consequently, finding a physically meaningful consensus low dimensional feature representation of original multiple features is still a challenging task. In order to address the these issues, we propose a novel feature learning framework, i.e., the simultaneous spectral-spatial feature selection and extraction algorithm, for hyperspectral images spectral-spatial feature representation and classification. Specifically, the proposed method learns a latent low dimensional subspace by projecting the spectral-spatial feature into a common feature space, where the complementary information has been effectively exploited, and simultaneously, only the most significant original features have been transformed. Encouraging experimental results on three public available hyperspectral remote sensing datasets confirm that our proposed method is effective and efficient.

研究の動機と目的

• スペクトル特徴とスパテリアル特徴を単に連結する従来手法の限界を是正し、それらの相補的性質を活用しないこと。
• 特徴選択と特徴抽出を同時に実行する統合フレームワークを構築し、ハイパースペクトル画像分類における識別性を向上させること。
• スペクトル特徴およびスパテリアル特徴の幾何的構造を保持しながら、共通の低次元表現を学習すること。
• ℓ₂,₁-ノルム正則化により、最も重要な元の特徴のみを選択することで解釈可能性を確保すること。
• 共通の低次元特徴空間でスペクトルおよびスパテリアル情報を統合的にモデル化することで、分類性能を向上させること。

提案手法

• 各ピクセルからスペクトル特徴（例：原始反射率）およびスパテリアル特徴（例：テクスチャ、形態的パターン）を抽出する。
• k近傍法または半径ベースの手法を用いて、局所的な幾何的構造をモデル化するスペクトルおよびスパテリアルグラフを構築する。
• 共多様体学習と共グラフ正則化を適用し、スペクトルおよびスパテリアル特徴多様体を共通の低次元部分空間に一致させる。
• 射影行列にℓ₂,₁-ノルム正則化を導入し、同時に特徴選択と次元削減を実行する。
• 交互最適化戦略を用いて目的関数を最適化し、共有射影行列およびスparser特徴重みを学習する。
• 解釈可能性とノイズ抑制を確保するため、選択された元の特徴の線形結合として最終的な低次元特徴表現を生成する。

実験結果

リサーチクエスチョン

• RQ1 統合フレームワークが、スペクトル・スパテリアル特徴選択と抽出を同時に実行し、分類精度を向上させることができるか？
• RQ2 共グラフ正則化を伴う共多様体学習は、スペクトルおよびスパテリアル特徴の内在的幾何的構造をどの程度効果的に保持できるか？
• RQ3 ℓ₂,₁-ノルム正則化は、抽出された表現における特徴選択とノイズ低減にどの程度寄与するか？
• RQ4 提案手法は、多様なハイパースペクトルデータセットにおいて、既存の最先端手法よりも分類精度と頑健性に優れているか？
• RQ5 得られた特徴表現が、選択された元の特徴の組み合わせとして意味的に解釈可能であるか？

主な発見

• Indian Pinesデータセットでは、S3FSEは全体精度（OA）94.68％を達成し、2番目に優れた手法（DNP、93.41％）を顕著に上回った。
• Salinasデータセットでは、S3FSEはOA 98.55％を達成し、次に優れた手法（MFC、96.84％）を1.7ポイント以上上回った。
• Pavia City ROSISデータセットでは、S3FSEはOA 94.68％、カッパ係数0.9351を達成し、優れた頑健性と一貫性を示した。
• 本手法は3つのデータセットすべてで一貫した優位性を示し、特に草地（98.55％）および水（99.89％）クラスで最高のクラス別精度を記録した。
• S3FSEは、性能と効率の最良のバランスを達成し、実行時間4.64秒を記録した。精度ではベースライン手法を上回りながらも、計算的に実行可能であった。
• ℓ₂,₁-ノルム正則化は、情報量の多い特徴のみを効果的に選択し、コンactで解釈可能かつ識別性の高い特徴表現を実現した。