[논문 리뷰] An svm multiclassifier approach to land cover mapping

Anthony Gidudu, Greg Hulley외 1명|arXiv (Cornell University)|2010. 07. 11.

Remote-Sensing Image Classification참고 문헌 8인용 수 7

한 줄 요약

이 논문은 선형, 가우시안, 이차 SVM를 다수결 투표로 조합하여 분류 정확도를 향상시키는 앙상블 SVM 다중분류 시스템을 제안한다. 앙상블는 개별 선형 및 이차 SVM보다 우수한 성능을 보였지만 RBF SVM에 비해 뒤처져, 적절히 설계된 앙상블 시스템에서 다양성과 조합 전략이 토양 피복 지ap핑 결과를 향상시킬 수 있음을 보여준다.

ABSTRACT

From the advent of the application of satellite imagery to land cover mapping, one of the growing areas of research interest has been in the area of image classification. Image classifiers are algorithms used to extract land cover information from satellite imagery. Most of the initial research has focussed on the development and application of algorithms to better existing and emerging classifiers. In this paper, a paradigm shift is proposed whereby a committee of classifiers is used to determine the final classification output. Two of the key components of an ensemble system are that there should be diversity among the classifiers and that there should be a mechanism through which the results are combined. In this paper, the members of the ensemble system include: Linear SVM, Gaussian SVM and Quadratic SVM. The final output was determined through a simple majority vote of the individual classifiers. From the results obtained it was observed that the final derived map generated by an ensemble system can potentially improve on the results derived from the individual classifiers making up the ensemble system. The ensemble system classification accuracy was, in this case, better than the linear and quadratic SVM result. It was however less than that of the RBF SVM. Areas for further research could focus on improving the diversity of the ensemble system used in this research.

연구 동기 및 목표

• 위성 영상에서 단일 분류기 성능의 한계를 해결하기 위해.
• 분류기 다양성을 통해 분류 정확도를 향상시키는 앙상블 시스템의 잠재력을 탐색하기 위해.
• 다수의 SVM 변형체—선형, 가우시안, 이차—를 다수결 투표 전략을 사용하여 융합하는 것의 효과를 평가하기 위해.
• 향후 분류 성과를 더욱 향상시키기 위해 앙상블의 다양성을 높일 수 있는 기회를 규명하기 위해.

제안 방법

• 앙상블 시스템은 동일한 토양 피복 데이터셋에 기반한 세 가지 SVM 변형체—선형 SVM, 가우시안 SVM, 이차 SVM—를 통합한다.
• 각 분류기는 입력 위성 영상에 대해 독립적으로 토양 피복 클래스를 예측한다.
• 개별 예측을 종합하여 최종 토양 피복 분류를 결정하기 위해 다수결 투표 메커니즘이 적용된다.
• 표준 정확도 지표를 사용하여 개별 분류기와 비교해 앙상블의 성능을 평가한다.
• 일반화 능력을 평가하기 위해 ASPRS 2008 회의에서 제공한 실제 토양 피복 데이터셋을 사용하며, 학습 및 테스트 세트로 분할한다.
• RBF SVM는 성능을 비교하기 위한 벤치마크로 사용된다.

실험 결과

연구 질문

• RQ1 다수결 투표 전략을 통해 여러 SVM 변형체를 융합하는 앙상블 접근법이 개별 분류기보다 토양 피복 분류 정확도를 향상시킬 수 있는가?
• RQ2 다수결 투표 전략은 다중분류 SVM 앙상블에서 최종 분류 결과에 어떤 영향을 미치는가?
• RQ3 선형, 가우시안, 이차 SVM 간의 다양성이 앙상블 성능에 실제로 기여하는가?
• RQ4 RBF SVM—알려진 고성능 단일 분류기—와 비교할 때 앙상블 시스템은 어떻게 성능을 내는가?
• RQ5 특히 분류기 다양성 측면에서 현재 앙상블 설계의 한계는 무엇인가?

주요 결과

• 앙상블 시스템은 개별 선형 및 이차 SVM 분류기보다 높은 분류 정확도를 달성했다.
• 개별 SVM보다 성능 향상을 보였음에도 불구하고, 앙상블의 정확도는 RBF SVM에 비해 여전히 낮았다.
• 결과는 앙상블 방법이 성능 향상에 기여할 수 있음을 시사하지만, 기본 분류기의 선택과 그 다양성이 성과에 중대한 영향을 미친다는 점을 보여준다.
• RBF SVM와 같은 뛰어난 단일 모델에 비해 성능 격차를 줄이기 위해 앙상블 구성원 간의 다양성을 더욱 높이는 데 대한 추가 연구가 필요하다는 점을 규명했다.
• 다수결 투표 메커니즘이 예측을 효과적으로 통합하여, 다중분류 토양 피복 분류에서의 실용성을 입증했다.