[論文レビュー] Improved Deep Spectral Convolution Network For Hyperspectral Unmixing With Multinomial Mixture Kernel and Endmember Uncertainty

Savaş Özkan, Gözde Bozdağı Akar|arXiv (Cornell University)|Aug 3, 2018

Remote-Sensing Image Classification参考文献 60被引用数 11

ひとこと要約

本稿では、多項分布混合カーネルと学習可能な不確実性モデリングを備えた改善型深層スペクトル畳み込みネットワーク（DSCN++）を提案する。Wasserstein GANに基づく最適化と分布ベースのエンドメンバー不確実性によるスペクトル変動のモデリングを統合することで、実データセット上で最先端の性能を達成し、アバンドン推定の精度においてベースラインを著しく上回った。

ABSTRACT

In this study, we propose a novel framework for hyperspectral unmixing by using an improved deep spectral convolution network (DSCN++) combined with endmember uncertainty. DSCN++ is used to compute high-level representations which are further modeled with Multinomial Mixture Model to estimate abundance maps. In the reconstruction step, a new trainable uncertainty term based on a nonlinear neural network model is introduced to provide robustness to endmember uncertainty. For the optimization of the coefficients of the multinomial model and the uncertainty term, Wasserstein Generative Adversarial Network (WGAN) is exploited to improve stability and to capture uncertainty. Experiments are performed on both real and synthetic datasets. The results validate that the proposed method obtains state-of-the-art hyperspectral unmixing performance particularly on the real datasets compared to the baseline techniques.

研究の動機と目的

• 大気的および照明条件の変化に起因するエンドメンバー分光スペクトルが固定でないというスペクトル変動の課題に対処する。
• エンドメンバー応答における不確実性をモデル化しつつ、より高レベルの表現を捉えることができるように深層スペクトル畳み込みネットワーク（DSCN）を改善する。
• 非線形ニューラルネットワークを用いたトレーニング可能な不確実性モジュールを設計し、スペクトル変動に対するロバストネスを向上させる。
• 材料分率のより柔軟で現実的なモデリングを可能にするために、多項分布混合モデルを導入し、アバンドン分布を表現する。
• Wasserstein GANを用いて全フレームワークを最適化し、ノイズが多いまたは変動するデータ条件下でも、訓練の安定性と一般化性能を向上させる。

提案手法

• 収束性と表現品質の向上を目的としたアーキテクチャ的変更をDSCNに施し、その結果、DSCN++が得られた。
• 各ピクセルごとのアバンドン分布をモデリングするための多項分布混合カーネルを導入し、スペクトル変動下でもロバストな推定を可能にする。
• スペクトル混合モデルにおける変動項 γk を推定するため、非線形ニューラルネットワークに基づくトレーニング可能な不確実性モジュールを設計した。
• 多項分布混合係数と不確実性パラメータの共同最適化をWasserstein GAN（WGAN）目的関数を用いて定式化した。
• バックプロパゲーションと確率的勾配降下法を用いて、全パイプラインをエンドツーエンドで訓練し、大規模ハイパースペクトルデータセットにおけるスケーラブルな学習を可能にした。
• 測定不確実性をモデル化するため、加法性のガウスノイズ η を含む再構成損失を組み込み、現実世界のデータの不完全性に対するロバストネスを向上させた。

実験結果

リサーチクエスチョン

• RQ1 スペクトル変動をより効果的にモデル化できるように変更された深層スペクトル畳み込みネットワーク（DSCN++）は、標準的なDSCNと比較してハイパースペクトルアンミキシングの性能を向上させることができるか？
• RQ2 多項分布混合カーネルの統合は、エンドメンバー不確実性下でのアバンドン推定のロバストネスをどのように向上させるか？
• RQ3 ニューラルネットワークに基づくトレーニング可能な不確実性モジュールは、固定またはヒューリスティックな不確実性モデルと比較して、アンミキシング精度をどの程度向上させるか？
• RQ4 多項分布および不確実性パラメータの最適化にWasserstein GANを用いることで、従来のGANやKLダイバージェンスベースの手法と比較して、より安定的かつ正確な訓練が可能になるか？
• RQ5 提案されたフレームワークは、スペクトル変動が顕著な実世界のハイパースペクトルデータセットで最先端の性能を達成できるか？

主な発見

• 提案されたDSCN++（多項分布混合カーネルおよび不確実性モデリングを備える）は、Jasperデータセットにおいて、比較対象のすべてのベースラインの中で最小のRMSE（6.31 × 10⁻²）を達成し、最良のベースライン（EndNet）を著しく上回った。
• Urbanデータセットでは、DSCNとEUコンponentsを用いてRMSEが6.87 × 10⁻²にまで低下し、ベースラインのDSCN++（12.03 × 10⁻²）および他の最先端手法を大きく上回った。
• WGANに基づく最適化により、複数回の実行および設定において、より安定した訓練と収束が実現され、RMSEの値が低くかつ変動が少なかった。
• 不確実性モジュールを除いた場合（w/o EU）のJasperデータセットにおけるRMSEは14.78 × 10⁻²に上昇し、その性能向上に果たす重要性が確認された。
• スペクトル変動が顕著な実データセット（JasperおよびUrban）において、本手法は最先端の性能を達成し、現実世界のデータ課題に対するロバストネスが妥当であると検証された。
• バッチベース学習によるスケーラビリティと低メモリコンプレックスティを示し、大規模ハイパースペクトルデータ処理に適していることが明らかになった。