[논문 리뷰] Classification of Images Using Support Vector Machines

Anthony Gidudu, Greg Hulley외 1명|ArXiv.org|2007. 09. 25.

Remote-Sensing Image Classification참고 문헌 11인용 수 38

한 줄 요약

이 논문은 다중 클래스 토양 피복 영상 분류에 서포트 벡터 머신(SVMs)을 적용하기 위한 원-아 against-원(1A1) 및 원-아 against-올(1AA) 전략을 평가한다. 1AA는 더 많은 미분류 및 혼합 픽셀을 생성하는 경향이 있지만, 두 방법 모두 유사한 분류 정확도를 보이며, 이에 따라 저자들은 두 전략 간의 선택은 주로 데이터셋에 따라 달라지며 개인의 선호에 따라 결정된다고 결론을 내린다.

ABSTRACT

Support Vector Machines (SVMs) are a relatively new supervised classification technique to the land cover mapping community. They have their roots in Statistical Learning Theory and have gained prominence because they are robust, accurate and are effective even when using a small training sample. By their nature SVMs are essentially binary classifiers, however, they can be adopted to handle the multiple classification tasks common in remote sensing studies. The two approaches commonly used are the One-Against-One (1A1) and One-Against-All (1AA) techniques. In this paper, these approaches are evaluated in as far as their impact and implication for land cover mapping. The main finding from this research is that whereas the 1AA technique is more predisposed to yielding unclassified and mixed pixels, the resulting classification accuracy is not significantly different from 1A1 approach. It is the authors conclusions that ultimately the choice of technique adopted boils down to personal preference and the uniqueness of the dataset at hand.

연구 동기 및 목표

• 서포트 벡터 머신(SVMs)을 사용한 다중 클래스 영상 분류에서 원-아 against-원(1A1) 및 원-아 against-올(1AA) 전략의 효과성을 평가하는 것.
• 이러한 전략이 토양 피복 지ap 맵핑에서 분류 정확도 및 픽셀 출력 품질에 미치는 영향을 평가하는 것.
• 원격 감지 응용 분야에서 한 전략이 다른 전략보다 일관되게 뛰어나게 성능을 발휘하는지 여부를 규명하는 것.
• 데이터셋 특성과 사용자 선호도를 바탕으로 1A1과 1AA 사이에서 선택하는 데 도움을 주는 가이드라인을 제공하는 것.

제안 방법

• 연구는 소규모 학습 샘플에서 효과적이고 강건한 성능을 보이는 SVMs를 원격 감지 영상 데이터에 적용한다.
• 두 가지 다중 클래스 분류 전략을 구현한다: 원-아 against-원(1A1)은 각 클래스 쌍에 대해 이진 분류기를 훈련한다.
• 원-아 against-올(1AA)은 각 클래스에 대해 나머지 모든 클래스와의 대비로 이진 분류기를 훈련한다.
• 표준 정확도 지표를 사용하여 두 전략 간의 분류 결과를 비교한다.
• 평가에는 분류 정확도, 미분류 픽셀 수, 혼합 픽셀 존재 여부에 중점을 둔다.
• 분석은 토양 피복 지도 제작에 관련된 실제 원격 감지 데이터셋을 대상으로 수행된다.

실험 결과

연구 질문

• RQ1 토양 피복 지도 제작에서 1A1 및 1AA SVM 전략의 분류 정확도는 어떻게 비교되는가?
• RQ2 각 전략이 미분류 및 혼합 픽셀 수에 어떤 영향을 미치는가?
• RQ3 어떤 전략이 다양한 데이터셋에서 일관되게 더 나은 결과를 내는가?
• RQ4 데이터셋 고유의 특성이 1A1과 1AA 간의 선택에 어떤 영향을 미치는가?

주요 결과

• 원-아 against-올(1AA) 전략은 원-아 against-원(1A1) 전략보다 더 많은 미분류 및 혼합 픽셀을 생성한다.
• 픽셀 출력 품질의 차이가 있음에도 불구하고, 1A1과 1AA 간의 총 분류 정확도는 유의미하게 다르지 않다.
• 1AA 방법은 이진 분류기 구조의 특성상 특정 픽셀을 잘못 분류하거나 생략하는 경향이 있다.
• 정확도 측면에서 1A1 또는 1AA 중 어느 한 전략도 통계적으로 유의미한 성능 우위를 보이지 않는다.
• 최종적으로 1A1과 1AA 사이의 선택은 객관적인 성능 지표보다는 데이터셋 고유의 특성과 사용자 선호도에 따라 결정된다.