[논문 리뷰] Hyperspectral Unmixing: Ground Truth Labeling, Datasets, Benchmark Performances and Survey

Feiyun Zhu|arXiv (Cornell University)|2017. 08. 17.

Remote-Sensing Image Classification참고 문헌 99인용 수 83

한 줄 요약

이 논문은 HU를 위한 일반적인 ground-truth 라벨링 방법을 소개하고, 15개의 실제 HU 데이터 세트에 대한 18개의 ground-truth Variants를 요약하며, HU를 위한 hyperspectral 분류 데이터를 HU에 맞게 변환하는 방법을 제안하고, HU 방법의 재현 가능한 평가를 위한 벤치마크 및 코드를 제공합니다.

ABSTRACT

Hyperspectral unmixing (HU) is a very useful and increasingly popular preprocessing step for a wide range of hyperspectral applications. However, the HU research has been constrained a lot by three factors: (a) the number of hyperspectral images (especially the ones with ground truths) are very limited; (b) the ground truths of most hyperspectral images are not shared on the web, which may cause lots of unnecessary troubles for researchers to evaluate their algorithms; (c) the codes of most state-of-the-art methods are not shared, which may also delay the testing of new methods. Accordingly, this paper deals with the above issues from the following three perspectives: (1) as a profound contribution, we provide a general labeling method for the HU. With it, we labeled up to 15 hyperspectral images, providing 18 versions of ground truths. To the best of our knowledge, this is the first paper to summarize and share up to 15 hyperspectral images and their 18 versions of ground truths for the HU. Observing that the hyperspectral classification (HyC) has much more standard datasets (whose ground truths are generally publicly shared) than the HU, we propose an interesting method to transform the HyC datasets for the HU research. (2) To further facilitate the evaluation of HU methods under different conditions, we reviewed and implemented the algorithm to generate a complex synthetic hyperspectral image. By tuning the hyper-parameters in the code, we may verify the HU methods from four perspectives. The code would also be shared on the web. (3) To provide a standard comparison, we reviewed up to 10 state-of-the-art HU algorithms, then selected the 5 most benchmark HU algorithms, and compared them on the 15 real hyperspectral datasets. The experiment results are surely reproducible; the implemented codes would be shared on the web.

연구 동기 및 목표

• HU를 위한 일반적인 라벨링 방법을 제안하여 endmember와 abundances의 ground truths를 생성합니다.
• 평가를 표준화하기 위해 15개의 실제 HU 이미지와 18개의 ground-truth 변형을 요약하고 공유합니다.
• 재현 가능성을 위한 합성 HU 이미지 생성 방법을 제공하고 그 코드를 공유합니다.
• 15개의 실제 HU 데이터 세트에서 최첨단 HU 알고리즘을 검토하고 벤치마크합니다.

제안 방법

• Label endmembers and abundances for HU using Section IV-A and IV-B methods.
• Provide evaluation framework for labeling results (Section IV-C).
• Transform HyC benchmark datasets into HU-friendly formats (Section IV-D).
• Generate and share a complex synthetic HU image (Section VI).
• Review up to 10 HU methods and implement 5 as benchmark algorithms (Section III).
• Compare the 5 benchmark HU methods on the 15 real HU datasets (Section VII).

실험 결과

연구 질문

• RQ1 다양한 데이터세트에 걸쳐 HU에 대한 endmembers와 abundances를 체계적으로 라벨링하는 방법은 무엇인가?
• RQ2 HyC 벤치마크 데이터세트가 표준화된 평가를 위한 HU-일관 데이터세트로 변환될 수 있는가?
• RQ3 복잡한 합성 HU 이미지가 방법 벤치마킹에 미치는 영향은 무엇인가?
• RQ4 어떤 HU 방법이 실제 HU 데이터세트에서 최고의 벤치마크 성능을 제공하는가?
• RQ5 제공된 코드와 지상실측 데이터세트가 재현 가능한 HU 평가에 충분한가?

주요 결과

• 일반적인 라벨링 방법이 endmembers와 abundances를 라벨링하고 라벨링 결과에 대한 평가를 제공한다(Section IV).
• 15개의 실제 HU 이미지에서 18개의 ground-truth 변형이 생성되어 HU 평가를 위한 공유 표준 데이터세트로 작용한다.
• 다양한 시각에서 HU 벤치마킹이 가능하도록 복잡한 합성 HU 이미지를 생성하고 그 코드를 공유한다.
• 논문은 10개의 HU 방법을 검토하고 5개의 최첨단 방법에 대한 코드를 제공한다.
• 다섯 가지 벤치마크 HU 방법이 15개의 실제 HU 데이터 세트에서 구현되고 평가되었다(재현 가능한 결과).