[論文レビュー] Recent Advances in Domain Adaptation for the Classification of Remote Sensing Data

Devis Tuia, Claudio Persello+1 more|arXiv (Cornell University)|Apr 15, 2021

Remote-Sensing Image Classification参考文献 78被引用数 13

ひとこと要約

本論文は、センサ、時系列的要因、大気的要因による差異によって、学習データとターゲットデータの分布が異なる場合のリモートセンシング画像分類のための最近のドメイン適応（DA）手法をレビューする。本研究では、特徴不変性、表現マッチング、分類器適応、選択的サンプリングの4つのカテゴリーに分類するDA手法の分類法を提案し、データ特性とラベルの可用性に基づいて手法を選択する実用的ガイドラインを提示することで、実世界のリモートセンシング応用における頑健な転移学習を可能にする。

ABSTRACT

The success of supervised classification of remotely sensed images acquired over large geographical areas or at short time intervals strongly depends on the representativity of the samples used to train the classification algorithm and to define the model. When training samples are collected from an image (or a spatial region) different from the one used for mapping, spectral shifts between the two distributions are likely to make the model fail. Such shifts are generally due to differences in acquisition and atmospheric conditions or to changes in the nature of the object observed. In order to design classification methods that are robust to data-set shifts, recent remote sensing literature has considered solutions based on domain adaptation (DA) approaches. Inspired by machine learning literature, several DA methods have been proposed to solve specific problems in remote sensing data classification. This paper provides a critical review of the recent advances in DA for remote sensing and presents an overview of methods divided into four categories: i) invariant feature selection; ii) representation matching; iii) adaptation of classifiers and iv) selective sampling. We provide an overview of recent methodologies, as well as examples of application of the considered techniques to real remote sensing images characterized by very high spatial and spectral resolution. Finally, we propose guidelines to the selection of the method to use in real application scenarios.

研究の動機と目的

• 異なるセンサ、時刻、大気条件によるスペクトル的および空間的分布シフトが生じる学習データとターゲットデータがある状況において、リモートセンシング画像を分類する課題に対処すること。
• 新しい画像取得のたびに多数の高価な地上走査ラベルを再取得する必要を回避し、異なるドメインからの既存のラベル付きデータを再利用することで、ラベル取得のボトルネックを克服すること。
• ターゲットドメインにラベル付きデータが乏しくまたは存在しない実世界のリモートセンシング応用において、ドメイン適応戦略の体系的レビューと実用的ガイドラインを提供すること。
• マルチセンサ、マルチタイム、高分解能画像を含む多様なリモートセンシングシナリオにおいて、頑健で転送可能な分類モデルを実現すること。
• 繰り返しの地上調査に依存することを減らし、動的地球観測プロセスの迅速かつ正確なモニタリングを促進すること。

提案手法

• ドメイン適応手法を4つのファミリーに分類：不変特徴選択、表現マッチング、分類器適応、選択的サンプリング（アクティブラーニング）。
• ターゲットラベルが存在しない状況でも適応可能性を評価できるように、円形交差検証に基づく検証戦略を提案。この戦略では、元のソースドメインをターゲットドメインとして、逆にターゲットドメインをソースドメインとして扱う。
• 主成分分析（PCA）のような線形および非線形手法を用いてグローバルなデータ整合を図り、クラスタリングに基づくアプローチ（例：GM、MA）を用いて局所的・個別サンプルの変換を実現。
• カーネルベースの手法、例えばカーネル型偏相関分析（KCCA）や最大平均差（MMD）を用いて、ドメイン間でのデータ表現を統合する。
• ラベリングが可能だがコストがかかる状況において、アクティブラーニングと特徴選択を統合し、情報量の多いターゲットサンプルを段階的に収集する。
• 複数の手法を統合（例：表現マッチングの前処理として不変特徴選択を適用）することで、複雑な分布シフトに対してより頑健な性能を実現する。

実験結果

リサーチクエスチョン

• RQ1 データ分布のシフトが生じる状況下で、リモートセンシング画像分類にドメイン適応手法を効果的に分類・適用する方法は何か？
• RQ2 グローバル（例：PCA）とローカル（例：クラスタリングベース）のドメイン適応手法の間で、性能と柔軟性に顕著な差異は何か？
• RQ3 ターゲットドメインにラベル付きデータが存在しない状況で、ドメイン適応をどのように検証できるか？
• RQ4 多様なリモートセンシングシナリオにおいて、最も頑健な性能を発揮するドメイン適応戦略の組み合わせは何か？
• RQ5 データの可用性、センサタイプ、分布シフトの特性に基づいて、最も適切なドメイン適応手法を選択するための実用的ガイドラインは何か？

主な発見

• ラベルが豊富に存在するソースドメインから、ラベルが乏しくまたは存在しないターゲットドメインにモデルを転送する際、ドメイン適応手法は分類精度を顕著に向上させる。
• KCCA や MMD といった表現マッチング手法は、中程度から複雑なシフトを示すドメイン間で、データ分布の統合に有効である。
• 不変特徴選択手法は、ソースドメインとターゲットドメインが共通の潜在的特徴を共有する場合に最も効果的であり、スペクトル的および空間的変動に対して感受性が低い。
• ラベリングが可能だがコストがかかる状況では、アクティブラーニングに基づく選択的サンプリングが、純粋に教師なし手法よりも、急激なクラス分布シフトの検出において優れた性能を示す。
• 円形検証戦略により、ターゲットドメインのラベルがなくても適応の成功を信頼性高く評価できるため、実世界の展開に適したソリューションである。
• 複数のDA手法を組み合わせること（例：特徴選択の後に表現マッチングを適用）により、単一の手法を用いる場合よりも優れた性能が得られ、特に深刻な分布シフト下でも顕著な向上が見られる。