[논문 리뷰] Hyperspectral Band Selection for Multispectral Image Classification with Convolutional Networks

Giorgio Morales, John W. Sheppard외 2명|arXiv (Cornell University)|2021. 06. 01.

Remote-Sensing Image Classification참고 문헌 28인용 수 15

한 줄 요약

이 논문은 고분광 영상 분류를 위한 이중 단계 밴드 선택 방법을 제안한다. 먼저 상호 밴드 부재분석(IBRA)을 사용해 스펙트럼 부재를 감소시키고, 정보 엔트로피 기반 탐욕적 스펙트럼 선택(GSS)을 적용하여 정보가 풍부한 밴드를 선별한다. 이 방법은 두 개의 벤치마크 데이터셋에서 최신 기술 수준(SOTA)의 분류 정확도를 달성하면서도, 최적의 필터 중심을 식별함으로써 효율적인 다중스펙트럼 센서 설계를 가능하게 한다.

ABSTRACT

In recent years, Hyperspectral Imaging (HSI) has become a powerful source for reliable data in applications such as remote sensing, agriculture, and biomedicine. However, hyperspectral images are highly data-dense and often benefit from methods to reduce the number of spectral bands while retaining the most useful information for a specific application. We propose a novel band selection method to select a reduced set of wavelengths, obtained from an HSI system in the context of image classification. Our approach consists of two main steps: the first utilizes a filter-based approach to find relevant spectral bands based on a collinearity analysis between a band and its neighbors. This analysis helps to remove redundant bands and dramatically reduces the search space. The second step applies a wrapper-based approach to select bands from the reduced set based on their information entropy values, and trains a compact Convolutional Neural Network (CNN) to evaluate the performance of the current selection. We present classification results obtained from our method and compare them to other feature selection methods on two hyperspectral image datasets. Additionally, we use the original hyperspectral data cube to simulate the process of using actual filters in a multispectral imager. We show that our method produces more suitable results for a multispectral sensor design.

연구 동기 및 목표

• 고분광 영상(HSI)에서 높은 데이터 밀도와 계산 복잡도 문제를 해결하기 위해 최소한의 정보성 스펙트럼 밴드를 선택하기 위해.
• 분류 성능을 유지하면서 스펙트럼 차원을 감소시키는 특징 선택 방법을 개발하기 위해.
• 작고 전용화된 다중스펙트럼 이미징 장치를 설계하기에 적합한 최적의 스펙트럼 밴드를 식별하기 위해.
• 고분광 데이터셋에서 기존 특징 선택 방법보다 뛰어난 분류 정확도를 달성하기 위해.
• 밴드 선택을 통해 고분광 데이터와 실질적인 다중스펙트럼 센서 응용 간 격차를 메우기 위해.

제안 방법

• 방법은 상호 밴드 부재분석(IBRA)으로 시작하며, 각 밴드와 그 이웃 간의 공선성 기반 거리 측도를 계산하여 부재가 최소화된 스펙트럼 영역을 식별한다.
• IBRA는 거리-공선성 프로파일의 局부 최소값을 기반으로 후보 중심 밴드를 식별하여 관련 밴드에 대한 검색 공간을 효과적으로 감소시킨다.
• 탐욕적 스펙트럼 선택(GSS) 단계에서는 정보 엔트로피 기반 순위를 매겨 높은 정보량을 지닌 밴드를 우선순위로 정렬한다.
• GSS 과정은 다중공선성이 뚜렷한 밴드를 반복적으로 제거하고 분류 성능를 재평가하여 최종 밴드 세트를 정밀 조정한다.
• 선택된 밴드를 기반으로 컴act한 컨volutional 신경망(CNN)을 훈련시켜 분류 성능를 평가한다.
• 선택된 밴드 중심에 Gaussian형 필터를 모델링하여 다중스펙트럼 시스템과 직접 비교할 수 있도록 다중스펙트럼 필터 반응을 시뮬레이션한다.

실험 결과

연구 질문

• RQ1 부재 분석과 엔트로피 기반 순위 매기기의 이중 단계 특징 선택 방법이 고분광 영상 분류에서 기존 밴드 선택 기법보다 뛰어난 성능을 내는가?
• RQ2 제안된 IBRA 방법이 분류에 유의미한 정보를 유지하면서도 관련 스펙트럼 밴드에 대한 검색 공간을 효과적으로 감소시키는가?
• RQ3 고분광 큐브에서 선별된 밴드가 실질적인 다중스펙트럼 필터 설계로 직접 매핑될 수 있으며, 유사한 분류 성능를 확보할 수 있는가?
• RQ4 선택된 밴드 수가 다양할 경우(예: 5개 vs. 10개), 제안된 방법의 성능는 어떻게 변화하는가?
• RQ5 GSS를 통해 다중공선성 밴드를 제거함으로써 단순 엔트로피 순위 매기기 대비 분류 정확도 향상 정도는 어느 정도인가?

주요 결과

• Indian Pines 데이터셋에서 제안된 방법은 5개의 밴드로 98.08%의 전체 정확도를 달성하여, 비교된 모든 방법들(예: FNGBS 97.49%, HAGRID 96.74%)을 초월했다.
• Indian Pines에서 10개의 밴드로 선택한 결과, F1-스코어는 98.48%에 도달했으며, FNGBS(97.82%)와 HAGRID(96.91%)를 크게 뛰어넘었다.
• Kochia 데이터셋에서 10개의 밴드로 선택한 결과, F1-스코어는 96.45%를 기록했으며, PLS-DA(94.76%), OCF(95.16%), HAGRID(95.33%)를 모두 초월했다.
• 원본 밴드 선택 방법과 시뮬레이션된 다중스펙트럼 필터 방식의 분류 성능는 거의 동일했으며, 이는 방법이 센서 설계에 적합함을 확인한다.
• 선택된 밴드 수가 적을 경우(예: 5~10개) 제안된 방법과 다른 방법 간의 성능 격차가 더욱 커져, 저대역폭 환경에서의 뛰어난 효율성을 보였다.
• 실질적인 다중스펙트럼 이미징 장치 설계를 가능하게 하는 대표적이고 부재가 없는 필터 중심(예: 391.2, 463.3, 518.4, 616.0, 658.4, 675.3 nm)을 성공적으로 식별했다.