[论文解读] An svm multiclassifier approach to land cover mapping

Anthony Gidudu, Greg Hulley+1 more|arXiv (Cornell University)|Jul 11, 2010

Remote-Sensing Image Classification参考文献 8被引用 7

一句话总结

本文提出了一种用于土地覆盖制图的集成SVM多分类器系统，通过多数投票结合线性、高斯和二次SVM以提升分类精度。该集成系统在性能上优于单独的线性和二次SVM，但未达到RBF SVM的水平，表明当设计得当时，集成系统中的多样性与组合可有效提升土地覆盖制图结果。

ABSTRACT

From the advent of the application of satellite imagery to land cover mapping, one of the growing areas of research interest has been in the area of image classification. Image classifiers are algorithms used to extract land cover information from satellite imagery. Most of the initial research has focussed on the development and application of algorithms to better existing and emerging classifiers. In this paper, a paradigm shift is proposed whereby a committee of classifiers is used to determine the final classification output. Two of the key components of an ensemble system are that there should be diversity among the classifiers and that there should be a mechanism through which the results are combined. In this paper, the members of the ensemble system include: Linear SVM, Gaussian SVM and Quadratic SVM. The final output was determined through a simple majority vote of the individual classifiers. From the results obtained it was observed that the final derived map generated by an ensemble system can potentially improve on the results derived from the individual classifiers making up the ensemble system. The ensemble system classification accuracy was, in this case, better than the linear and quadratic SVM result. It was however less than that of the RBF SVM. Areas for further research could focus on improving the diversity of the ensemble system used in this research.

研究动机与目标

• 为解决使用卫星影像进行土地覆盖制图时单一分类器性能受限的问题。
• 探索通过分类器多样性提升分类精度的集成系统潜力。
• 评估使用多数投票策略组合多种SVM变体（线性、高斯和二次）的有效性。
• 识别提升集成多样性以进一步改善分类结果的机会。

提出的方法

• 该集成系统整合了三种SVM变体：线性SVM、高斯SVM和二次SVM，均在相同土地覆盖数据集上进行训练。
• 每个分类器独立对输入的卫星影像进行土地覆盖类别预测。
• 通过多数投票机制整合各分类器的独立预测结果，以确定每个像素的最终土地覆盖分类。
• 使用标准准确率指标，将集成系统的性能与单一分类器进行对比评估。
• 研究采用ASPRS 2008会议提供的真实世界土地覆盖数据集，通过训练与测试集划分评估泛化能力。
• 将RBF SVM作为基准，用于对比集成系统与先进单分类器的性能表现。

实验结果

研究问题

• RQ1 通过集成方法结合多种SVM变体，是否能相比单一分类器显著提升土地覆盖分类精度？
• RQ2 多数投票策略在多分类SVM集成中的最终分类结果中产生何种影响？
• RQ3 线性、高斯和二次SVM之间的多样性是否对集成系统性能产生实质性贡献？
• RQ4 该集成系统与已知高性能的单分类器RBF SVM相比表现如何？
• RQ5 当前集成设计在分类器多样性方面存在哪些局限性？

主要发现

• 集成系统实现的分类精度高于单独的线性和二次SVM分类器。
• 尽管相比单一SVM有所提升，但集成系统的精度仍低于RBF SVM。
• 结果表明，尽管集成方法可提升性能，但基分类器的选择及其多样性对最终结果具有显著影响。
• 本研究指出，需进一步探索提升集成成员之间多样性的方法，以缩小与RBF SVM等高性能单模型之间的性能差距。
• 多数投票机制有效聚合了预测结果，证明其在多分类土地覆盖制图中的可行性。