[논문 리뷰] Simultaneous Spectral-Spatial Feature Selection and Extraction for Hyperspectral Images

Lefei Zhang, Qian Zhang외 4명|arXiv (Cornell University)|2019. 04. 08.

Remote-Sensing Image Classification참고 문헌 52인용 수 4

한 줄 요약

이 논문은 고분광 영상 분류를 위한 새로운 동시 스펙트럼-공간 특징 선택 및 추출(S3FSE) 프레임워크를 제안한다. 공다양체 학습과 공그래프 정규화, 그리고 ℓ₂,₁-노름 정규화를 적용한 투영 행렬을 활용하여, S3FSE는 기하학적 구조를 함께 유지하고, 상보적인 스펙트럼-공간 정보를 활용하며, 유의미한 특징을 선택함으로써, 세 가지 기준 데이터셋에서 최신 기술 수준의 분류 정확도를 달성한다.

ABSTRACT

In hyperspectral remote sensing data mining, it is important to take into account of both spectral and spatial information, such as the spectral signature, texture feature and morphological property, to improve the performances, e.g., the image classification accuracy. In a feature representation point of view, a nature approach to handle this situation is to concatenate the spectral and spatial features into a single but high dimensional vector and then apply a certain dimension reduction technique directly on that concatenated vector before feed it into the subsequent classifier. However, multiple features from various domains definitely have different physical meanings and statistical properties, and thus such concatenation hasn't efficiently explore the complementary properties among different features, which should benefit for boost the feature discriminability. Furthermore, it is also difficult to interpret the transformed results of the concatenated vector. Consequently, finding a physically meaningful consensus low dimensional feature representation of original multiple features is still a challenging task. In order to address the these issues, we propose a novel feature learning framework, i.e., the simultaneous spectral-spatial feature selection and extraction algorithm, for hyperspectral images spectral-spatial feature representation and classification. Specifically, the proposed method learns a latent low dimensional subspace by projecting the spectral-spatial feature into a common feature space, where the complementary information has been effectively exploited, and simultaneously, only the most significant original features have been transformed. Encouraging experimental results on three public available hyperspectral remote sensing datasets confirm that our proposed method is effective and efficient.

연구 동기 및 목표

• 스펙트럼 및 공간 특징을 병합하는 데서 그치지 않고 그 상보적인 성질을 활용하지 못하는 전통적 방법의 한계를 해결한다.
• 특징 선택과 추출을 동시에 수행하는 통합 프레임워크를 개발하여 고분광 영상 분류에서 판별력을 향상시킨다.
• 공통의 저차원 표현을 학습하는 동안 스펙트럼 및 공간 특징의 기하학적 구조를 유지한다.
• ℓ₂,₁-노름 정규화를 통해 유의미한 원본 특징만 선택함으로써 해석 가능성을 확보한다.
• 공동으로 스펙트럼 및 공간 정보를 일관성 있는 저차원 특징 공간에서 모델링하여 분류 성능을 향상시킨다.

제안 방법

• 각 픽셀에서 스펙트럼 특징(예: 원본 반사율)과 공간 특징(예: 텍스처, 형태 패턴)을 추출한다.
• k-가장 가까운 이웃 또는 반경 기반 방법을 사용하여 국소 기하학적 구조를 모델링하는 스펙트럼 및 공간 그래프를 구축한다.
• 공다양체 학습과 공그래프 정규화를 적용하여 스펙트럼 및 공간 특징 다양체를 공통의 저차원 부분공간에서 정렬한다.
• 투영 행렬에 ℓ₂,₁-노름 정규화를 도입하여 동시에 특징 선택과 차원 축소를 수행한다.
• 목적 함수를 교대 최적화 전략을 통해 최적화하여 공통의 투영 행렬과 희소 특징 가중치를 학습한다.
• 선택된 원본 특징들의 선형 조합으로 최종 저차원 특징 표현을 생성하여, 해석 가능성과 노이즈 억제를 보장한다.

실험 결과

연구 질문

• RQ1 통합 프레임워크가 동시에 스펙트럼-공간 특징 선택 및 추출을 수행하여 분류 정확도를 향상시킬 수 있는가?
• RQ2 공다양체 학습과 공그래프 정규화를 통해 스펙트럼 및 공간 특징의 본질적 기하학적 구조를 얼마나 효과적으로 유지할 수 있는가?
• RQ3 ℓ₂,₁-노름 정규화가 추출된 표현에서 특징 선택과 노이즈 감소에 얼마나 기여하는가?
• RQ4 제안된 방법은 다양한 고분광 데이터셋에서 기존 최신 기술 수준의 방법보다 분류 정확도와 내구성 면에서 뛰어나게 성능을 발휘하는가?
• RQ5 결과로 도출된 특징 표현이 선택된 원본 특징들의 의미 있는 조합으로 해석될 수 있는가?

주요 결과

• Indian Pines 데이터셋에서 S3FSE는 전체 정확도(OA) 94.68%를 달성하여 두 번째로 우수한 방법(DNP, 93.41%)을 뛰어넘었다.
• Salinas 데이터셋에서 S3FSE는 OA 98.55%를 기록하여 다음으로 우수한 방법(MFC, 96.84%)을 1.7퍼센트 포인트 이상 앞섰다.
• Pavia City ROSIS 데이터셋에서 S3FSE는 OA 94.68%를 달성했으며, 카파 계수 0.9351을 기록하여 뛰어난 내구성과 일관성을 보였다.
• 모든 세 데이터셋에서 일관된 우수성을 보였으며, 특히 잔디(98.55%) 및 물(99.89%) 클래스에서 최고의 클래스별 정확도를 기록했다.
• S3FSE는 성능과 효율성 사이의 최적 균형을 달성했으며, 실행 시간 4.64초로 기준 방법보다 정확도는 뛰어나면서도 계산적으로 실현 가능했다.
• ℓ₂,₁-노름 정규화는 정보가 풍부한 특징만 효과적으로 선택하여, 컴act하고 해석 가능하며 판별력 있는 특징 표현을 도출했다.