[논문 리뷰] Region-Based Classification of PolSAR Data Using Radial Basis Kernel Functions With Stochastic Distances

R. G. Negri, A. C. Frery외 3명|arXiv (Cornell University)|2018. 05. 07.

Synthetic Aperture Radar (SAR) Applications and Techniques인용 수 4

한 줄 요약

이 논문은 복소 웨이시어트 분포 간의 확률적 거리(클룰바크-라이블러, 레니, 바타차리야, 할링거, 카이제곱)로부터 유도된 라디얼 기저 커널 함수를 사용하는 서포트 벡터 머신(SVM)을 활용한 새로운 영역 기반 PolSAR 분류 방법을 제안한다. 이 방법은 훈련 데이터가 불완전한 상황에서도 최소 거리 분류(MDC)보다 더 높은 정확도와 강인성을 확보하며, 특히 클룰바크-라이블러 및 레니 거리가 가장 우수한 성능을 보였지만 계산 비용이 더 높은 편이다.

ABSTRACT

Region-based classification of PolSAR data can be effectively performed by seeking for the assignment that minimizes a distance between prototypes and segments. Silva et al (2013) used stochastic distances between complex multivariate Wishart models which, differently from other measures, are computationally tractable. In this work we assess the robustness of such approach with respect to errors in the training stage, and propose an extension that alleviates such problems. We introduce robustness in the process by incorporating a combination of radial basis kernel functions and stochastic distances with Support Vector Machines (SVM). We consider several stochastic distances between Wishart: Bhatacharyya, Kullback-Leibler, Chi-Square, Rényi, and Hellinger. We perform two case studies with PolSAR images, both simulated and from actual sensors, and different classification scenarios to compare the performance of Minimum Distance and SVM classification frameworks. With this, we model the situation of imperfect training samples. We show that SVM with the proposed kernel functions achieves better performance with respect to Minimum Distance, at the expense of more computational resources and the need of parameter tuning. Code and data are provided for reproducibility.

연구 동기 및 목표

• 불완전한 훈련 샘플 하에서 영역 기반 PolSAR 분류의 강인성을 향상시키기 위해.
• Bhattacharyya, Kullback-Leibler, 카이제곱, Rényi, Hellinger 등의 확률적 거리가 PolSAR 데이터의 SVM에서 커널 함수로 사용될 때의 효과성을 조사하기 위해.
• 동일한 거리 기반으로 구축된 라디얼 기저 커널을 갖춘 SVM의 성능을 최소 거리 분류기(MDC)와 비교하기 위해.
• 다중 클래스 전략(OAA 대 OAO)과 클래스 불균형이 분류 정확도에 미치는 영향을 평가하기 위해.
• 재현 가능성과 PolSAR 영상 분석 분야의 실용적 응용을 위해 오픈소스 코드와 데이터를 제공하기 위해.

제안 방법

• Bhattacharyya, Kullback-Leibler, 카이제곱, Rényi, Hellinger의 다섯 가지 확률적 거리 간의 복소 다변량 웨이시어트 분포 간 거리를 기반으로 라디얼 기저 커널 함수를 수립한다.
• 이러한 커널 함수를 영역 기반 PolSAR 영상 분류를 위한 서포트 벡터 머신(SVM) 프레임워크 내에 적용한다.
• 다양한 분류 시나리오에서 시뮬레이션된 PolSAR 데이터와 운영 센서(예: ALOS PALSAR)의 실제 데이터를 모두 활용한다.
• 동일한 확률적 거리를 사용한 MDC와의 성능 비교를 통해 정확도와 계산 비용을 평가한다.
• SVM에서 OAA(One-Against-All)와 OAO(One-against-One) 다중 클래스 전략의 영향을 평가하기 위해 사용한다.
• 전체 정확도 및 카파 계수와 같은 정량적 지표를 사용하여 결과를 검증하고, 통계적 유의성 검정을 실시한다.

실험 결과

연구 질문

• RQ1 Bhattacharyya, Kullback-Leibler, 카이제곱, Rényi, Hellinger 등의 다양한 확률적 거리가 영역 기반 PolSAR 분류에서 SVM의 라디얼 기저 커널 함수로 사용될 경우 어떤 성능을 보일 것인가?
• RQ2 특히 훈련 데이터가 불완전한 상황에서, 확률적 거리 기반 커널을 갖춘 SVM이 최소 거리 분류기(MDC)보다 분류 정확도에서 뛰어나게 작동하는가?
• RQ3 OAA 대비 OAO 전략이 PolSAR 분류에서 확률적 거리 기반 커널을 갖춘 SVM의 성능에 어떤 영향을 미치는가?
• RQ4 클래스 불균형과 내부 클래스 변동성이 MDC 및 SVM의 분류 정확도에 어떤 영향을 미치는가?
• RQ5 PolSAR 데이터의 SVM 커널에 통합되었을 때 가장 강인하고 정확한 분류 결과를 제공하는 확률적 거리는 무엇인가?

주요 결과

• Kullback-Leibler 및 Rényi 거리 기반 라디얼 기저 커널을 갖춘 SVM가 모든 시나리오에서 가장 높은 분류 정확도를 기록했으며, MDC를 능가했다.
• 카이제곱 거리는 수치적 불안정성으로 인해 성능이 열악하여 MDC 및 SVM 모두에서 사용을 권장하지 않았다.
• MDC의 성능은 내부 클래스 변동성이 증가함에 따라 감소했지만(SVM 성능은 이러한 조건에서 향상됨.
• OAA 전략을 사용한 SVM는 OAO 대비 더 많은 계산 시간을 소요했지만, 복잡한 시나리오에서 AA 및 PS 클래스 간의 분리가 더 우수했다.
• 첫 번째 시나리오(7개 클래스)에서는 MDC 및 SVM이 농업 클래스(A1, A2, A3)를 구분하는 데 어려움을 겪었지만, 이후 시나리오에서는 SVM이 열등한 성능를 보였다.
• 실제 데이터 실험을 통해, 특히 겹치거나 모호한 클래스가 존재하는 상황에서 MDC보다 SVM이 더 강인한 성능를 보였다.