[論文レビュー] TreeSegNet: Automatically Constructed Tree CNNs for Subdecimeter Aerial Image Segmentation.

Kai Yue, Yang Lei+4 more|arXiv (Cornell University)|Apr 29, 2018

Advanced Neural Network Applications被引用数 2

ひとこと要約

TreeSegNet は、DeepUNet を基盤として、クラス不均衡を解消し、小デシメートル航空画像のセグメンテーションを向上させる新しい Tree-CNN アーキテクチャを提案する。誤分類の分析と最小グラフカットを用いた自動的な Tree-CNN の構築、および特徴マップの連結によるマルチスケール特徴の統合により、ISPRS ポツダムデータセットにおける誤って分類されやすいクラスを含め、最先端の F1 スコアを達成する。

ABSTRACT

For the task of subdecimeter aerial imagery segmentation, the fine-grained semantic segmentation results are usually difficult to obtain because of complex remote sensing contents and optical conditions. In addition, remote sensing imagery has inherent limitations of imbalanced class distribution. Recently, convolutional neural networks (CNNs) have shown outstanding performance on this task. In this paper, we propose the TreeSegNet to solve the class imbalance problem and further improve the accuracy in the metrics' point of view. Based on the infrastructure of DeepUNet, a Tree-CNN model in which each node represents a ResNeXt unit is constructed automatically according to confusion matrix and minimum graph cut algorithm. By transporting feature maps by concatenating connections, the Tree-CNN block fuses the multiscale features and learning the best weights for the model. In the experiments on ISPRS 2D semantic labeling Potsdam dataset, the results gotten by TreeSegNet are better than the opened state-of-the-art methods. The F1 measure scores of classes are improved especially for those classes that are easily confused. Completely and detailed comparison and analysis are performed to show that the improvement is brought by the construction and the embedding of the Tree-CNN module.

研究の動機と目的

• 複雑なリモートセンシングのコンテンツと光学的変動による小デシメートル航空画像セグメンテーションにおけるクラス不均衡を解消すること。
• 細粒度のセマンティックセグメンテーションタスクにおいて、誤って分類されやすいクラスの精度を向上させること。
• 誤分類マトリクス解析と最小グラフカットを用いて、階層的な Tree-CNN アーキテクチャを自動的に構築し、最適な特徴学習を実現すること。
• Tree-CNN モジュールを DeepUNet バックボーンに統合し、マルチスケール特徴の統合とモデル性能を向上させること。

提案手法

• 誤分類マトリクスの分析と最小グラフカットアルゴリズムを用いて、予測の誤分類クラスをグループ化することで、Tree-CNN を自動的に構築する。
• Tree-CNN の各ノードは ResNeXt ユニットであり、グループ化畳み込みを用いた深層残差学習を可能にし、表現力を向上させる。
• 特徴マップは連結ベースのスキップ接続を通じて伝達・統合され、マルチスケール特徴の統合が強化される。
• Tree-CNN ブロックは DeepUNet のエンコーダ・デコーダ構造に埋め込まれ、複数レベルでの特徴学習の精緻化が図られる。
• モデルは標準のセグメンテーション損失を用いてエンドツーエンドで訓練され、Tree-CNN 構造は分類の誤りを最小化するように最適化される。

実験結果

リサーチクエスチョン

• RQ1 自動的に構築された Tree-CNN アーキテクチャは、小デシメートル航空画像セグメンテーションにおける類似クラス間の誤分類を低減できるか？
• RQ2 クラス不均衡なリモートセンシングデータにおいて、Tree-CNN モジュールの統合は、標準の CNN と比較してセグメンテーション性能を向上させるか？
• RQ3 最小グラフカットに基づくノードグループ化戦略は、曖昧なクラスのモデルのロバスト性と F1 スコアをどの程度向上させるか？
• RQ4 Tree-CNN ブロックにおける連結ベースの特徴統合は、標準のスキップ接続と比較して、より優れたマルチスケール特徴学習を実現するか？

主な発見

• TreeSegNet は、ISPRS 2D セマンティックラベリング ポツダムデータセットにおいて、最先端の手法と比較して優れた F1 スコアを達成する。
• 誤って分類されやすいクラスにおいて顕著な F1 スコアの向上が見られ、クラスの曖昧さの効果的な処理が示された。
• 誤分類マトリクスと最小グラフカットを用いた Tree-CNN の自動構築により、よりロバストで正確なアーキテクチャが得られた。
• 連結ベースの特徴伝達メカニズムにより、マルチスケール特徴の統合が強化され、全体的な性能向上に寄与した。