[논문 리뷰] A new Bayesian ensemble of trees classifier for identifying multi-class labels in satellite images

Reshu Agarwal, Pritam Ranjan외 1명|arXiv (Cornell University)|2013. 04. 15.

Remote-Sensing Image Classification참고 문헌 25인용 수 6

한 줄 요약

이 논문은 베이지안 추가 회귀 트리(BART)를 다중 클래스 위성 이미지 분류에 확장하여 새로운 베이지안 트리 앙상블 분류기를 소개한다. 노바스코티아의 킹스 카운티에서 확보한 LANDSAT 5 TM 데이터를 사용하여, 최신 기술 수준의 분류기들보다 분류 정확도와 불확실성 정량화 성능을 향상시켰으며, 다양한 토지 이용 유형에서 안정적인 성능과 신뢰할 수 있는 확률적 출력을 보여주었다.

ABSTRACT

Classification of satellite images is a key component of many remote sensing applications. One of the most important products of a raw satellite image is the classified map which labels the image pixels into meaningful classes. Though several parametric and non-parametric classifiers have been developed thus far, accurate labeling of the pixels still remains a challenge. In this paper, we propose a new reliable multiclass-classifier for identifying class labels of a satellite image in remote sensing applications. The proposed multiclass-classifier is a generalization of a binary classifier based on the flexible ensemble of regression trees model called Bayesian Additive Regression Trees (BART). We used three small areas from the LANDSAT 5 TM image, acquired on August 15, 2009 (path/row: 08/29, L1T product, UTM map projection) over Kings County, Nova Scotia, Canada to classify the land-use. Several prediction accuracy and uncertainty measures have been used to compare the reliability of the proposed classifier with the state-of-the-art classifiers in remote sensing.

연구 동기 및 목표

• 위성 영상에서 다중 클래스 픽셀 레이블링의 정확성 문제를 지속적으로 해결하기 위해.
• 토지 이용 분류의 불확실성을 정량화하는 신뢰할 수 있는 확률적 분류기를 개발하기 위해.
• 원격 측량 응용 분야를 위한 이진 BART 프레임워크를 다중 클래스 분류로 확장하기 위해.
• 실제 위성 데이터를 사용하여 제안된 분류기를 최신 기술 수준의 방법들과 비교 평가하기 위해.
• 원격 측량에서 복잡한 토지 이용 패턴을 분류하기 위한 유연하고 강력한 솔루션을 제공하기 위해.

제안 방법

• 다중 결과 카테고리 처리를 위해 추가 모델을 확장함으로써, 이는 다중 클래스 분류에 대해 베이지안 추가 회귀 트리(BART)를 일반화한 것이다.
• 각 픽셀에 대해 각 클래스의 확률을 함께 모델링하기 위해 베이지안 계층적 프레임워크를 활용하며, 회귀 트리 앙상블을 사용한다.
• 다수의 트리들이 후행 예측 분포의 클래스 확률에 기여하도록 앙상블을 구성하며, 과적합을 방지하기 위해 수축 사전 확률을 적용한다.
• 후행 추론은 마르코프 체인 몬테 카를로(MCMC) 샘플링을 통해 수행되어 클래스 확률과 불확실성 구간을 추정한다.
• 다항 설정에서 선형 예측자에서 클래스 확률로의 변환을 위해 누적 링크 함수를 사용한다.
• UTM 투영을 사용한 LANDSAT 5 TM 영상에서 세 개의 소규모 지역(경로/행: 08/29, 2009)에서 모델을 검증하였다.

실험 결과

연구 질문

• RQ1 베이지안 트리 앙상블이 이진 BART에서 다중 클래스 위성 이미지 분류로 효과적으로 일반화될 수 있는가?
• RQ2 기존 최신 기술 수준의 원격 측량 분류기들과 비교해 제안된 분류기의 정확도 및 불확실성 추정 성능은 어떠한가?
• RQ3 모델의 확률적 출력이 토지 이용 지ap 맵핑에서 해석 가능성과 신뢰성 향상에 어느 정도 기여하는가?
• RQ4 불확실성 정량화의 통합이 원격 측량 응용 분야의 의사결정 과정을 향상시키는가?
• RQ5 실제 위성 영상의 다양한 토지 이용 패턴에서 이 방법의 강건성은 어떠한가?

주요 결과

• 제안된 베이지안 트리 앙상블 분류기는 LANDSAT 5 TM 영상의 세 테스트 지역에서 기준 분류기들보다 높은 분류 정확도를 달성하였다.
• 모델은 신뢰할 수 있는 불확실성 추정을 제공하였으며, 신뢰 구간이 실제 클래스 레이블을 높은 빈도로 포함하여 잘 校정된 확률적 예측을 나타내었다.
• 복잡한 공간 패턴과 겹치는 스펙트럼 서명을 가진 클래스들 모두에서 뛰어난 성능을 보였다.
• MCMC 기반 추론을 통해 후행 분포의 전반적인 탐색이 가능해져 분류 결과의 강력한 불확실성 정량화를 지원하였다.
• BART를 다중 클래스 설정으로 확장한 방법은 중간 크기의 위성 영상 패치에 대해 효과적이고 확장 가능한 것으로 입증되었다.
• 결과적으로 베이지안 앙상블 접근법이 원격 측량 응용 분야에서 전통적 분류기들의 신뢰할 수 있는 대안이 될 수 있음을 확인하였다.