[논문 리뷰] Collaborative sparse regression using spatially correlated supports - Application to hyperspectral unmixing

Yoann Altmann, Marcelo Pereyra외 1명|arXiv (Cornell University)|2014. 09. 29.

Remote-Sensing Image Classification참고 문헌 25인용 수 4

한 줄 요약

이 논문은 히퍼스pek트럴 언믹싱을 위한 베이지안 협업 희소 회귀 방법을 제안하며, 공간적으로 관련된 희소성 지원을 갖는 농도 벡터를 조합형 다변량 이징 마르코프 랜덤 필드(MRF)로 모델링하여 픽셀당 물질 존재/부재 패턴을 정확하게 탐지한다. 이 방법은 MRF 파라미터를 자가 조정하는 적응형 MCMC 알고리즘을 사용하여 교차검증에 의존하는 것을 줄이고, 최대 25개의 종료물질을 포함한 합성 및 실재 데이터에서 언믹싱 정확도를 향상시킨다.

ABSTRACT

This paper presents a new Bayesian collaborative sparse regression method for linear unmixing of hyperspectral images. Our contribution is twofold; first, we propose a new Bayesian model for structured sparse regression in which the supports of the sparse abundance vectors are a priori spatially correlated across pixels (i.e., materials are spatially organised rather than randomly distributed at a pixel level). This prior information is encoded in the model through a truncated multivariate Ising Markov random field, which also takes into consideration the facts that pixels cannot be empty (i.e, there is at least one material present in each pixel), and that different materials may exhibit different degrees of spatial regularity. Secondly, we propose an advanced Markov chain Monte Carlo algorithm to estimate the posterior probabilities that materials are present or absent in each pixel, and, conditionally to the maximum marginal a posteriori configuration of the support, compute the MMSE estimates of the abundance vectors. A remarkable property of this algorithm is that it self-adjusts the values of the parameters of the Markov random field, thus relieving practitioners from setting regularisation parameters by cross-validation. The performance of the proposed methodology is finally demonstrated through a series of experiments with synthetic and real data and comparisons with other algorithms from the literature.

연구 동기 및 목표

• 픽셀 간 물질 존재/부재 패턴의 공간적 상관관계를 통합하여 히퍼스펙트럴 언믹싱에서 희소 농도 벡터를 정확하게 추정하는 데 도전한다.
• 전반적인 협업 방법이 유니온 지원만 추정하는 데 한계가 있음을 고려하여, 농도 벡터의 지원에서 국소적인 공간적 구조를 모델링한다.
• 공간적 규제성과 비어 있지 않은 픽셀 제약 조건을 조합형 다변량 이징 MRF를 통해 베이지안 프레임워크에 통합한다.
• 교차검증이 필요 없도록 MRF 정규화 파라미터를 자가 조정하는 MCMC 추론 알고리즘을 설계한다.
• 최신 기술 대비 합성 및 실재 히퍼스펙트럴 데이터 세트에서 개선된 언믹싱 성능을 입증한다.

제안 방법

• 공간적 상관관계를 반영하기 위해 농도 벡터의 지원을 조합형 다변량 이징 마르코프 랜덤 필드(MRF)로 모델링한다.
• MRF 사전확률을 잘라내어 각 픽셀에 적어도 한 가지 물질이 존재하도록 비어 있지 않은 픽셀 제약 조건을 통합한다.
• 농도 벡터와 노이즈에 대해 공액 사전확률을 사용하여 효율적인 MCMC 샘플링을 위한 닫힌 형태의 조건부 사후확률을 가능하게 한다.
• 매트로폴리스-위너-지브스(Metropolis-within-Gibbs) MCMC 알고리즘을 사용하여 각 픽셀의 물질 존재/부재 확률을 추정한다.
• 최대 마진사후확률(MAP) 지원 구성에 조건부하여 농도 벡터의 MMSE 추정치를 계산한다.
• MCMC 샘플링 중에 MRF 정규화 강도를 자가 조정하여 교차검증을 통한 파rameter 튜닝이 필요 없도록 한다.

실험 결과

연구 질문

• RQ1 전체 협업을 만족하는 방법과 비교해 농도 벡터의 지원에서 공간적 상관관계를 모델링하면 히퍼스펙트럴 언믹싱 정확도가 향상되는가?
• RQ2 비어 있지 않은 픽셀 제약 조건과 다양한 물질 간 공간적 규제 정도를 베이지안 희소 회귀 모델에 효과적으로 통합할 수 있는가?
• RQ3 교차검증이 필요 없이 적응형 MCMC 알고리즘이 MRF 파라미터를 자가 조정할 수 있는가? 이는 전문가의 부담을 줄일 수 있는가?
• RQ4 제안된 방법이 합성 및 실재 히퍼스펙트럴 데이터에서 기존의 협업 희소 회귀 기법보다 얼마나 뛰어난 성능을 보이는가?
• RQ5 물질 간 스펙트럼 유사성이 높아 희소성만으로는 부족한 상황에서 이 방법은 어떻게 성능을 발휘하는가?

주요 결과

• 제안된 방법은 최신 기술 대비 합성 데이터에서 뛰어난 언믹싱 정확도를 달성하였으며, 특히 공간적으로 구조화된 물질 분포를 해소하는 데서 두각을 나타냈다.
• 적응형 MCMC 알고리즘이 성공적으로 MRF 정규화 파라미터를 자가 조정하여 교차검증이 필요 없어지고, 정확도가 향상되었다.
• 공간적으로 관련된 지원을 효과적으로 포착하여 물질 탐지에서 오진을 줄이고 지원 추정 정확도를 향상시켰다.
• 실재 히퍼스펙트럴 데이터에서는 농도 추정과 종료물질 탐지 성능이 향상되었으며, 특히 복잡한 공간 패턴을 가진 고해상도 영상에서 뛰어난 성능을 보였다.
• 계산 복잡도로 인해 25개 이상의 종료물질을 포함하는 라이브러리에 직접 적용하기에는 제한이 있지만, MUSIC-CSR를 사전 처리로 사용하여 라이브러리를 정제함으로써 성능을 향상시킬 수 있다.
• 이전 방법들이 농도 값이나 비선형 효과를 정규화하는 데서는 성능이 떨어지지만, 본 방법은 농도 값 자체가 아닌 지원의 상관관계를 명시적으로 모델링하므로 더 뛰어난 성능을 발휘한다.