[논문 리뷰] Supervised Classification Performance of Multispectral Images

K. Perumal, R. Bhaskaran|arXiv (Cornell University)|2010. 02. 22.

Remote-Sensing Image Classification참고 문헌 9인용 수 153

한 줄 요약

이 논문은 다양한 알고리즘을 사용하여 다중스펙트럼 영상의 지도 학습 분류 성능을 평가하며, 증가하는 공간시계열 데이터 차원이 미치는 영향에 초점을 맞춘다. Mahalanobis 분류기의 경우 분류 정확도에서 다른 방법들을 능가하여, 증가하는 데이터 복잡성 하에서 원격 감지 데이터 분석에 효과적임을 입증한다.

ABSTRACT

Nowadays government and private agencies use remote sensing imagery for a wide range of applications from military applications to farm development. The images may be a panchromatic, multispectral, hyperspectral or even ultraspectral of terra bytes. Remote sensing image classification is one amongst the most significant application worlds for remote sensing. A few number of image classification algorithms have proved good precision in classifying remote sensing data. But, of late, due to the increasing spatiotemporal dimensions of the remote sensing data, traditional classification algorithms have exposed weaknesses necessitating further research in the field of remote sensing image classification. So an efficient classifier is needed to classify the remote sensing images to extract information. We are experimenting with both supervised and unsupervised classification. Here we compare the different classification methods and their performances. It is found that Mahalanobis classifier performed the best in our classification.

연구 동기 및 목표

• 현대 원격 감지 데이터의 증가하는 공간시계열 차원을 다루는 데 있어 전통적인 분류 알고리즘의 한계를 해결하기 위해.
• 다양한 지도 학습 분류 알고리즘의 다중스펙트럼 영상에서의 성능을 평가하고 비교하기 위해.
• 데이터 집약적인 상황에서 정확한 원격 감지 영상 분류를 위한 가장 효과적인 분류기를 규명하기 위해.
• 농업, 방위, 환경 모니터링 등의 분야에서 효율적이고 고정밀도의 분류 시스템 개발을 지원하기 위해.

제안 방법

• 연구는 다중스펙트럼 원격 감지 영상에 다양한 지도 학습 분류 알고리즘을 적용한다.
• 분류 정확도에 중점을 두고 표준 평가 지표를 사용하여 성능을 비교한다.
• 다변량 데이터의 공분산 구조를 고려할 수 있는 능력 때문에 Mahalanobis 분류기가 적용된다.
• 비교 평가를 위해 지도 학습 및 비지도 학습 분류도 분석에 포함된다.
• 데이터 전처리 및 특징 표현은 다중스펙트럼 영상 분류에 표준으로 간주된다.
• 실제 다중스펙트럼 영상 데이터셋에서의 실증 결과를 바탕으로 성능을 평가한다.

실험 결과

연구 질문

• RQ1 증가하는 데이터 복잡성 하에서 다중스펙트럼 영상에 대해 어떤 지도 학습 분류 알고리즘이 가장 우수한 성능을 보이는가?
• RQ2 기존의 분류 방법은 고차원 원격 감지 데이터의 현대적 요구 조건에 비해 어떻게 대응하는가?
• RQ3 공분산 구조는 다중스펙트럼 데이터의 분류 정확도 향상에 어떤 역할을 하는가?
• RQ4 Mahalanobis 분류기는 현대 원격 감지 영상의 공간시계열 차원을 효과적으로 처리할 수 있는가?

주요 결과

• Mahalanobis 분류기는 모든 테스트 방법 중에서 가장 높은 분류 정확도를 달성하였다.
• 원격 감지 데이터의 공간시계열 차원이 증가함에 따라 기존의 분류 알고리즘은 효과가 감소함을 보였다.
• 이 데이터셋에 대해 지도 학습 분류 방법이 비지도 학습 방법보다 정밀도와 신뢰성 면에서 뛰어났다.
• 고차원 데이터에서 분류기 간의 성능 격차가 더욱 두드러졌다.