[논문 리뷰] Machine learning based hyperspectral image analysis: A survey

Utsav B. Gewali, Sildomar T. Monteiro외 1명|arXiv (Cornell University)|2018. 02. 23.

Remote-Sensing Image Classification참고 문헌 207인용 수 105

한 줄 요약

고해상 분광 이미지 분석에 적용된 머신러닝 기법을 분석 작업 및 ML 알고리즘별로 정리한 포괄적 고찰로, 경향, 도전과제, 그리고 향후 방향을 강조한다.

ABSTRACT

Hyperspectral sensors enable the study of the chemical properties of scene materials remotely for the purpose of identification, detection, and chemical composition analysis of objects in the environment. Hence, hyperspectral images captured from earth observing satellites and aircraft have been increasingly important in agriculture, environmental monitoring, urban planning, mining, and defense. Machine learning algorithms due to their outstanding predictive power have become a key tool for modern hyperspectral image analysis. Therefore, a solid understanding of machine learning techniques have become essential for remote sensing researchers and practitioners. This paper reviews and compares recent machine learning-based hyperspectral image analysis methods published in literature. We organize the methods by the image analysis task and by the type of machine learning algorithm, and present a two-way mapping between the image analysis tasks and the types of machine learning algorithms that can be applied to them. The paper is comprehensive in coverage of both hyperspectral image analysis tasks and machine learning algorithms. The image analysis tasks considered are land cover classification, target detection, unmixing, and physical parameter estimation. The machine learning algorithms covered are Gaussian models, linear regression, logistic regression, support vector machines, Gaussian mixture model, latent linear models, sparse linear models, Gaussian mixture models, ensemble learning, directed graphical models, undirected graphical models, clustering, Gaussian processes, Dirichlet processes, and deep learning. We also discuss the open challenges in the field of hyperspectral image analysis and explore possible future directions.

연구 동기 및 목표

• 고해상도 분광 이미지 분석 작업과 이를 해결하는 데 사용되는 ML 방법에 대한 폭넓은 개요를 제공한다.
• 토지 피복 분류, 표적/이상 탐지, 언믹싱, 물리적/화학적 파라미터 추정에 대한 ML 알고리즘을 비교하고 범주화한다.
• ML 기반 고해상도 분광 분석의 미해결 과제를 식별하고 향후 연구 방향을 제시한다.
• 고해상도 분광 맥락에서 물리 기반 또는 고정 모델 접근법에 비해 ML 방법의 유연성을 입증한다.

제안 방법

• 이미지 분석 작업별 및 ML 알고리즘 유형별로 방법을 정리하고, 작업을 적합한 알고리즘 계통에 매핑한다.
• 피어리뷰(peer-reviewed) 학술지에 발표된 205개의 방법을 조사하고, 이를 작업-알고리즘 이중 매핑으로 요약한다.
• 고차원 문제, 데이터 가변성, 특징 추출 및 공간-분광 정보의 역할에 대해 논의한다.
• 하이퍼스펙트럴 ML 연구의 미해결 과제와 향후 방향을 강조한다.

실험 결과

연구 질문

• RQ1 각 고해상도 분광 이미지 분석 작업(토지 피복 분류, 표적/이상 탐지, 언믹싱, 파라미터 추정)에 적용된 머신러닝 알고리즘은 무엇인가?
• RQ2 다양한 ML 범주(Gaussian 모델, 회귀, SVM, GMM, 그래프 모델, 클러스터링, Gaussian 프로세스, Dirichlet 프로세스, 딥러닝)가 고해상도 분광 작업에서 어떻게 수행되는가?
• RQ3 고해상도 ML의 현재 도전과제(예: 차원 증가, 제한된 실제 데이터, 스펙트럼 변동성)와 잠재적 향후 방향은 무엇인가?

주요 결과

• 본 조사는 네 가지 작업에 걸친 205개의 ML 기반 하이퍼스펙트럴 분석 방법을 다룬다.
• 딥러닝, 가우시안 모델, 회귀, SVM, 확률 모델, 그래픽 모델 등 다양한 ML 접근법이 서로 다른 작업에 적용되어 널리 채택되고 있다.
• 차원 축소, 밴드 선택, 공간 정보를 포함하는 것이 고차원성을 다루는 일반적 전략이다.
• 베이지안 방법은 고차원 하이퍼스펙트럴 데이터의 불확실성 처리에 주목받고 있다.
• 본 논문은 고해상도 분석에 대한 ML의 미해결 과제를 식별하고 향후 연구 방향을 제시한다.