[논문 리뷰] Multiscale Principle of Relevant Information for Hyperspectral Image Classification

Yantao Wei, Shujian Yu외 2명|arXiv (Cornell University)|2019. 07. 13.

Remote-Sensing Image Classification참고 문헌 48인용 수 5

한 줄 요약

이 논문은 고분광 영상(HSI) 분류를 위한 계층적 스펙트럼-공간 특징을 추출하기 위해 다층·다스케일 프레임워크에서 관련 정보 원리(PRI)를 활용하는 새로운 아키텍처인 다스케일 관련 정보 원리(MPRI)를 제안한다. MPRI는 역전파 없이 군집에서 세분으로의 학습 방식으로 특징을 학습함으로써, 특히 저샘플 학습 조건에서 최신 기술들을 능가하며, 깊이 학습 모델과 유사한 정확도를 달성하면서도 훨씬 적은 레이블된 샘플을 요구한다.

ABSTRACT

This paper proposes a novel architecture, termed multiscale principle of relevant information (MPRI), to learn discriminative spectral-spatial features for hyperspectral image (HSI) classification. MPRI inherits the merits of the principle of relevant information (PRI) to effectively extract multiscale information embedded in the given data, and also takes advantage of the multilayer structure to learn representations in a coarse-to-fine manner. Specifically, MPRI performs spectral-spatial pixel characterization (using PRI) and feature dimensionality reduction (using regularized linear discriminant analysis) iteratively and successively. Extensive experiments on three benchmark data sets demonstrate that MPRI outperforms existing state-of-the-art methods (including deep learning based ones) qualitatively and quantitatively, especially in the scenario of limited training samples. Code of MPRI is available at \url{http://bit.ly/MPRI_HSI}.

연구 동기 및 목표

• 고분광 영상(HSI) 분류에서 레이블이 부족한 학습 샘플 문제를 해결함으로써, 딥러닝 및 고전적 방법의 성능을 저해하는 문제를 해결한다.
• 고차원 HSI 데이터에서 국소적이고 전반적인 스펙트럼-공간 구조를 효과적으로 포착하여 분류 성능을 향상시킨다.
• 역전파가 필요 없고 대규모 레이블 데이터가 필요 없는 스케일링 가능하고 효율적인 특징 학습 프레임워크를 개발한다.
• 정보이론적 학습 원리를 계층적·다스케일 아키텍처에 통합하여 HSI에서 강력한 표현 학습을 가능하게 한다.

제안 방법

• MPRI는 정규화와 분류 능력 간의 균형을 조절하는 하이퍼파rameter β를 최적화하여 다스케일 표현을 추출하기 위해 관련 정보 원리(PRI)를 핵심 구성요소로 사용한다.
• 이 방법은 다중 레이어에 걸쳐 PRI를 반복 적용하여, 연속적인 스펙트럼-공간 픽셀 특성화를 통해 군집에서 세분으로의 스펙트럼-공간 특징 학습을 가능하게 한다.
• 국소적 이웃과 더 넓은 맥락적 구조를 모두 모델링하기 위해 다스케일 슬라이딩 윈도우 방법을 통합한다.
• PRI 기반 특성화 이후 정규화된 선형 판별 분 析(RLDA)를 사용하여 특징 차원을 감소시켜 분류 능력을 향상시킨다.
• 역전파 없이 그레디(Greedy)하고 계층적으로 학습함으로써 계산 비용과 학습 복잡성을 감소시킨다.
• 계산 속도 향상을 위해 니스트롬 기반 근사법을 탐색하였지만, 추론 분석에서 과도한 스무딩 효과가 발생할 수 있음이 확인되었다.

실험 결과

연구 질문

• RQ1 관련 정보 원리(PRI)는 고분광 영상의 3차원 스펙트럼-공간 구조를 효과적으로 확장할 수 있는가?
• RQ2 다층·다스케일 PRI 아키텍처는 기존의 얕은 학습 및 깊은 학습 방법에 비해 HSI 분류 성능을 어떻게 향상시키는가?
• RQ3 MPRI는 제한된 학습 샘플, 특히 저샘플 학습 시나리오에서 얼마나 높은 정확도를 달성할 수 있는가?
• RQ4 PRI에서 β의 선택은 HSI 데이터에서 표현의 정규성과 분류 능력 간의 트레이드오프에 어떻게 영향을 미치는가?
• RQ5 필터링 기반 및 딥러닝 방법에 비해 MPRI는 더 나은 경계 유지와 영역 균일성을 보이는 분류 지도를 생성할 수 있는가?

주요 결과

• MPRI는 세 가지 벤치마크 HSI 데이터셋에서 최신 기술을 능가하는 분류 정확도를 달성하였으며, 특히 저샘플 학습 환경에서 PCA-EPF 및 HIFI와 같은 고전적 방법보다 뛰어난 성능을 보였다.
• 레이블된 데이터의 2%만으로도 MPRI는 SAE-LR 및 3D-CNN과 같은 딥러닝 모델과 유사한 정확도를 달성하여 뛰어난 샘플 효율성을 입증하였다.
• 분류 지도의 시각적 비교를 통해 기존 그램 행렬 근사 기법 대비 과도한 스무딩 아티팩트를 줄였음을 확인하였다.
• MPRI의 픽셀당 계산 시간은 0.32초로, 동일한 데이터셋에서 학습에 6,000초 이상 소요되는 CNN-MRF와 비교해 훨씬 빠르게 동작한다.
• PRI의 최적 β 범위는 경험적으로 [2,4]로 확인되었으며, 이는 표현의 정규성과 분류 능력 간의 균형을 잘 유지한다.
• MPRI의 그레디 계층적 학습 전략은 역전파를 피함으로써 기울기 소실 문제 없이 효율적이고 안정적인 최적화를 가능하게 한다.