[论文解读] Hyperspectral Band Selection Using Unsupervised Non-Linear Deep Auto Encoder to Train External Classifiers.

Muhammad Ahmad, Stanislav Protasov+1 more|arXiv (Cornell University)|May 19, 2017

Remote-Sensing Image Classification被引用 7

一句话总结

本文提出了一种无监督非线性深度自编码器（UDAE），用于高光谱波段选择，可在降低维度的同时保持数据的几何结构。通过学习具有最小重构误差的低维表示，UDAE 在多种分类器和公开高光谱数据集上的分类任务中表现优于当前最先进方法。

ABSTRACT

Hyperspectral image classification often requires selecting the most informative bands instead of processing the whole data without losing the geometrical representation of the data. Existing dimensionality reduction and band selection methods have the capability to reveal the nonlinear properties exhibited in the data but at the expense of losing its geometrical representation. To cope with the said issue, an unsupervised nonlinear deep autoencoder (UDAE) based band selection method is proposed. Our aim is to find an optimal mapping and construct a lower-dimensional space that has a similar structure to the original data with least reconstruction error. Our experiments on a publicly available hyperspectral dataset, with various types of classifiers, demonstrate the effectiveness of UDAE method, which equates favorably with other state-of-the-art dimensionality reduction and band selection methods.

研究动机与目标

• 为解决在高光谱数据降维过程中保持几何结构的挑战。
• 开发一种无监督深度学习方法，无需依赖标注数据即可选择信息量丰富的波段。
• 在低维空间中最小化重构误差，同时保持数据的内在结构。
• 通过非线性、深度自编码器架构选择最优波段，提升分类性能。
• 在公开高光谱数据集上，展示UDAE在多种外部分类器上的有效性。

提出的方法

• 训练一种无监督非线性深度自编码器（UDAE），以学习高光谱数据的紧凑低维表示。
• 自编码器学习最优非线性映射，以最小化输入与输出数据之间的重构误差。
• 所学习的编码器将原始高维数据映射到低维空间，同时保留数据的内在几何结构。
• 从所学习的低维表示中提取波段，重点关注对重构最具信息量的波段。
• 该方法无需标注数据，适用于无监督波段选择。
• 最终的波段子集用于训练外部分类器，以在真实世界分类任务中评估性能。

实验结果

研究问题

• RQ1 无监督深度自编码器能否在降维过程中有效保持高光谱数据的几何结构？
• RQ2 与现有最先进的降维和波段选择方法相比，基于UDAE的波段选择在分类性能上表现如何？
• RQ3 UDAE方法在减少波段数量的同时，能在多大程度上保持数据结构？
• RQ4 UDAE方法在不同类型的外部分类器中是否具有泛化能力？
• RQ5 最小化重构误差对波段选择质量与分类准确率有何影响？

主要发现

• UDAE方法在分类性能上达到或优于当前最先进的降维与波段选择技术。
• 该方法在降维空间中有效保持了高光谱数据的几何结构，同时最小化了重构误差。
• 在公开高光谱数据集上的实验表明，基于UDAE的波段选择显著提升了多种外部分类器的分类准确率。
• UDAE的无监督特性使其无需标注训练数据即可实现有效的波段选择。
• 从UDAE表示中选择的波段具有高度信息量，相比随机或启发式波段选择，能带来更优的分类结果。
• 该方法在不同分类器类型中表现出鲁棒性与泛化能力，验证了其在真实世界应用中的有效性。