[论文解读] Fusion de classifieurs pour la classification d'images sonar

Arnaud Martin|arXiv (Cornell University)|Jun 12, 2008

Underwater Acoustics Research参考文献 4被引用 6

一句话总结

本文提出并评估了用于融合多个神经网络分类器在声纳图像分析中决策的高级信息融合技术——投票法、可能性理论和信任理论。通过从声纳图像中提取四种基于纹理的特征，并利用多层感知机进行分类，研究结果表明，结合距离建模的信任理论在分类准确率方面表现最佳，尤其在沙子和岩石等主要沉积物类型上表现突出。

ABSTRACT

In this paper, we present some high level information fusion approaches for numeric and symbolic data. We study the interest of such method particularly for classifier fusion. A comparative study is made in a context of sea bed characterization from sonar images. The classi- fication of kind of sediment is a difficult problem because of the data complexity. We compare high level information fusion and give the obtained performance.

研究动机与目标

• 评估高级信息融合技术以提升声纳图像分类性能。
• 解决从具有固有不确定性和模糊性的复杂、噪声声纳图像中分类海底沉积物的挑战。
• 在真实世界的遥感应用中，比较符号式与数值式融合方法。
• 评估类别不平衡和数据同质性对融合性能的影响。
• 确定最优融合策略，以提升声纳基海底表征中分类器的可靠性。

提出的方法

• 使用不同的图像处理技术从声纳图像中提取四种不同的纹理特征。
• 训练四个独立的多层感知机，每个模型使用四种特征集之一对沉积物类型进行分类。
• 应用三种高级融合策略：多数投票、可能性理论和信任理论（Dempster-Shafer）以整合分类器输出。
• 在信任理论框架内引入基于距离的模型，以度量分类器决策之间的冲突与不确定性。
• 实施一种融合规则，根据综合证据分配最终类别，对冲突决策引入“不确定性”类别。
• 使用真实声纳图像数据集上的各类沉积物分类率来评估性能。

实验结果

研究问题

• RQ1 在声纳图像基海底表征中，哪种高级融合策略——投票法、可能性理论或信任理论——能实现最高的分类准确率？
• RQ2 将基于不同纹理特征训练的多个分类器进行融合，与单一分类器相比，能否显著提升整体分类性能？
• RQ3 训练数据中的类别不平衡在多大程度上影响融合方法的性能？
• RQ4 在处理声纳图像分类中的不确定性和冲突时，符号式（投票）与数值式（可能性理论与信任理论）融合方法有何差异？
• RQ5 融合技术能否有效缓解罕见沉积物类型（如泥、碎石）因数据集中代表性不足而带来的负面影响？

主要发现

• 结合距离建模的信任理论方法实现了最高的整体分类准确率，优于投票法和可能性理论。
• 最高个体分类率分别为87.3%（'roche'，即岩石）和91.3%（'homogènes'，即均质）——表明在代表性充分的类别上表现优异。
• 最低分类率分别为0.9%（'cailloutis'，即碎石）和4.9%（'vase'，即泥）——反映出类别不平衡与样本量过少的影响。
• 'non homogènes'（非均质）类别的准确率为63.1%，表明在混合或复杂区域分类方面仍存在挑战。
• 多个分类器的融合显著提升了整体性能，尤其在数据存在不确定性和噪声的条件下。
• 研究表明，数据质量和基础构建——特别是混合沉积物区域的存在——会引入显著不确定性，从而影响融合结果。