[論文レビュー] A new Bayesian ensemble of trees classifier for identifying multi-class labels in satellite images

Reshu Agarwal, Pritam Ranjan+1 more|arXiv (Cornell University)|Apr 15, 2013

Remote-Sensing Image Classification参考文献 25被引用数 6

ひとこと要約

本論文は、マルチクラスの衛星画像分類に拡張されたベイジアンアンサンブル木分類器を提案する。ベイジアン加法回帰木（BART）を拡張し、ノバスコシア州キングス・カウンティのLANDSAT 5 TM データを用いて、最先端の分類器よりも分類精度と不確実性の定量化を向上させた。本手法は、複数の土地利用クラスにわたり、信頼性の高い確率的出力を得るという点で、強固な性能を示した。

ABSTRACT

Classification of satellite images is a key component of many remote sensing applications. One of the most important products of a raw satellite image is the classified map which labels the image pixels into meaningful classes. Though several parametric and non-parametric classifiers have been developed thus far, accurate labeling of the pixels still remains a challenge. In this paper, we propose a new reliable multiclass-classifier for identifying class labels of a satellite image in remote sensing applications. The proposed multiclass-classifier is a generalization of a binary classifier based on the flexible ensemble of regression trees model called Bayesian Additive Regression Trees (BART). We used three small areas from the LANDSAT 5 TM image, acquired on August 15, 2009 (path/row: 08/29, L1T product, UTM map projection) over Kings County, Nova Scotia, Canada to classify the land-use. Several prediction accuracy and uncertainty measures have been used to compare the reliability of the proposed classifier with the state-of-the-art classifiers in remote sensing.

研究の動機と目的

• 衛星画像における高精度なマルチクラスピクセルラベル付けという、長年の課題に取り組むこと。
• 土地利用分類における不確実性を定量化できる信頼性のある確率的分類器を開発すること。
• バイナリBARTフレームワークをリモートセンシング応用のためのマルチクラス分類に拡張すること。
• 実世界の衛星データを用いて、提案手法を最先端の手法と比較して評価すること。
• リモートセンシングにおける複雑な土地利用パターンの分類に対して、柔軟で強固なソリューションを提供すること。

提案手法

• 本手法は、出力カテゴリーを複数に拡張することで、ベイジアン加法回帰木（BART）をマルチクラス分類に一般化する。
• 各ピクセルの各クラスの確率を、回帰木のアンサンブルを用いて統合的にモデル化するベイジアン階層的フレームワークを採用する。
• 複数の木が、縮小事前分布を用いて過剰適合を防ぎながら、クラス確率の事後予測分布に寄与する。
• 事後推論は、クラス確率と不確実性区間を推定するために、マルコフ連鎖モンテカルロ（MCMC）サンプリングを用いて実施する。
• 多項分布設定において、線形予測子をクラス確率にマッピングする累積リンク関数を用いる。
• UTM座標系を用いた、LANDSAT 5 TM イメージの3つの小規模領域（パス/ロー：08/29、2009年）で手法を検証した。

実験結果

リサーチクエスチョン

• RQ1 ベイジアンアンサンブル木は、バイナリBARTからマルチクラス衛星画像分類に効果的に一般化できるか？
• RQ2 提案手法の分類精度と不確実性推定は、既存の最先端のリモートセンシング分類器と比べてどの程度優れているか？
• RQ3 モデルの確率的出力は、土地利用マッピングにおける解釈可能性と信頼性をどの程度向上させるか？
• RQ4 不確実性定量化の組み込みが、リモートセンシング応用における意思決定をどの程度向上させるか？
• RQ5 本手法は、実際の衛星画像における多様な土地利用パターンに対して、どの程度の耐性を示すか？

主な発見

• 提案されたベイジアンアンサンブル木分類器は、LANDSAT 5 TM イメージの3つのテスト領域において、ベンチマーク分類器よりも高い分類精度を達成した。
• 本手法は信頼性の高い不確実性推定を提供し、真のクラスラベルが高い頻度で信用区間内に含まれており、良好にキャリブレーションされた確率的予測であることが示された。
• 本モデルは、複雑な空間パターンや重複するスペクトルシグネチャを示すクラスを含む、すべてのテストされた土地利用クラスで強力な性能を示した。
• MCMCベースの推論により、事後分布の完全な探索が可能となり、分類結果における不確実性の定量化が強固にサポートされた。
• BARTをマルチクラス設定に拡張することは、中程度サイズの衛星画像パッチにおいて、効果的かつスケーラブルであることが判明した。
• 結果から、ベイジアンアンサンブルアプローチが、リモートセンシング応用における従来の分類器の信頼できる代替手段であることが確認された。