[论文解读] A new Bayesian ensemble of trees classifier for identifying multi-class labels in satellite images

Reshu Agarwal, Pritam Ranjan+1 more|arXiv (Cornell University)|Apr 15, 2013

Remote-Sensing Image Classification参考文献 25被引用 6

一句话总结

本文提出了一种新型贝叶斯树集成分类器，将贝叶斯加性回归树（BART）扩展至多类别遥感图像分类。基于加拿大新斯科舍亚金斯县的LANDSAT 5 TM 数据，该方法在分类准确率和不确定性量化方面优于当前最先进的分类器，在多种土地利用类别上表现出稳健性能，并提供可靠的概率输出。

ABSTRACT

Classification of satellite images is a key component of many remote sensing applications. One of the most important products of a raw satellite image is the classified map which labels the image pixels into meaningful classes. Though several parametric and non-parametric classifiers have been developed thus far, accurate labeling of the pixels still remains a challenge. In this paper, we propose a new reliable multiclass-classifier for identifying class labels of a satellite image in remote sensing applications. The proposed multiclass-classifier is a generalization of a binary classifier based on the flexible ensemble of regression trees model called Bayesian Additive Regression Trees (BART). We used three small areas from the LANDSAT 5 TM image, acquired on August 15, 2009 (path/row: 08/29, L1T product, UTM map projection) over Kings County, Nova Scotia, Canada to classify the land-use. Several prediction accuracy and uncertainty measures have been used to compare the reliability of the proposed classifier with the state-of-the-art classifiers in remote sensing.

研究动机与目标

• 解决遥感图像中多类别像素标注准确性的长期挑战。
• 开发一种可靠、概率化的分类器，以量化土地利用分类中的不确定性。
• 将二元BART框架扩展至多类别分类，适用于遥感应用。
• 利用真实世界遥感数据，将所提分类器与当前最先进的方法进行对比评估。
• 为复杂土地利用模式的遥感分类提供一种灵活且稳健的解决方案。

提出的方法

• 通过将加性模型扩展至处理多个结果类别，将贝叶斯加性回归树（BART）推广至多类别分类。
• 采用贝叶斯分层框架，联合建模每个像素属于各类别的概率，使用回归树集成实现。
• 集成多个树，每棵树均对类别概率的后验预测分布有所贡献，并引入收缩先验以防止过拟合。
• 通过马尔可夫链蒙特卡洛（MCMC）抽样进行后验推断，以估计类别概率和不确定性区间。
• 在多项式设置下，使用累积链接函数将线性预测器映射为类别概率。
• 在LANDSAT 5 TM 图像的三个小区域（路径/行：08/29，2009年）上进行验证，投影为UTM坐标系。

实验结果

研究问题

• RQ1 贝叶斯树集成方法能否有效从二元BART推广至多类别遥感图像分类？
• RQ2 与现有最先进的遥感分类器相比，所提分类器在准确率和不确定性估计方面表现如何？
• RQ3 该模型的概率输出在土地利用制图中在多大程度上提升了可解释性与可靠性？
• RQ4 不确定性量化是否增强了遥感应用中的决策能力？
• RQ5 该方法在真实遥感图像中多样的土地利用模式下表现有多稳健？

主要发现

• 所提出的贝叶斯树集成分类器在LANDSAT 5 TM 图像的三个测试区域中，分类准确率高于基准分类器。
• 该方法提供了可靠的不确定性估计，可信区间以高频率覆盖真实类别标签，表明概率预测具有良好校准性。
• 该模型在所有测试的土地利用类别中均表现出色，包括具有复杂空间模式和重叠光谱特征的类别。
• 基于MCMC的推断方法实现了后验分布的充分探索，支持分类结果的稳健不确定性量化。
• 将BART扩展至多类别设置在中等大小的遥感图像区域中表现出有效且可扩展。
• 结果证实，贝叶斯集成方法为遥感应用中传统分类器提供了一种可靠的替代方案。