[论文解读] Hierarchical Bayesian image analysis: from low-level modeling to robust supervised learning

Adrien Lagrange, Mathieu Fauvel+2 more|arXiv (Cornell University)|Dec 1, 2017

Remote-Sensing Image Classification参考文献 43被引用 11

一句话总结

本文提出了一种分层贝叶斯模型，联合执行高光谱图像中的低层次图像建模（例如，光谱解混）和鲁棒的监督分类。通过利用两个马尔可夫随机场（MRF）将标记的训练数据整合到潜在变量估计中，该方法提高了分类准确率和对标注错误的鲁棒性，在合成数据和真实世界数据上均实现了最先进性能，且在噪声地面真值下置信度高达95%。

ABSTRACT

Within a supervised classification framework, labeled data are used to learn classifier parameters. Prior to that, it is generally required to perform dimensionality reduction via feature extraction. These preprocessing steps have motivated numerous research works aiming at recovering latent variables in an unsupervised context. This paper proposes a unified framework to perform classification and low-level modeling jointly. The main objective is to use the estimated latent variables as features for classification and to incorporate simultaneously supervised information to help latent variable extraction. The proposed hierarchical Bayesian model is divided into three stages: a first low-level modeling stage to estimate latent variables, a second stage clustering these features into statistically homogeneous groups and a last classification stage exploiting the (possibly badly) labeled data. Performance of the model is assessed in the specific context of hyperspectral image interpretation, unifying two standard analysis techniques, namely unmixing and classification.

研究动机与目标

• 解决传统流程将特征提取与分类视为独立步骤的局限性，通常在低层次建模过程中忽略监督信息。
• 通过将专家提供的、可能带有噪声的真值标注整合到潜在结构估计过程中，提升分类的鲁棒性。
• 在单一一致的贝叶斯框架内统一两种标准图像分析技术——光谱解混与监督分类。
• 通过同时考虑数据结构和标记训练样本，实现基于潜在变量提取的降维。
• 提供一种能够同时纠正误标并增强分类特征表示的方法。

提出的方法

• 该模型采用具有三个阶段的分层贝叶斯框架：将像素光谱分解为端元，将潜在特征聚类为同质组，以及监督分类。
• 一个马尔可夫随机场（MRF）在估计的类别标签与潜在聚类结构之间强制实现空间一致性。
• 另一个MRF在估计的类别标签与专家提供的、部分标记的训练数据之间强制实现一致性。
• 通过变分贝叶斯推断联合估计端元丰度、聚类分配和类别标签，以处理高维潜在空间。
• 通过参数ηp对训练标签的置信度进行建模，从而允许地面真值中存在不确定性或潜在的误标。
• 该框架整合了来自物理模型（如光谱混合）和标记数据的先验知识，提升了泛化能力和鲁棒性。

实验结果

研究问题

• RQ1 低层次图像建模与监督分类能否在单一概率框架中有效统一，以同时提升两项任务的性能？
• RQ2 如何利用专家提供的、可能错误的训练标签来改进图像分析中的潜在变量估计？
• RQ3 在潜在特征提取过程中引入监督信息在多大程度上能增强对标注错误的分类鲁棒性？
• RQ4 所提出的模型能否在真实高光谱数据上同时实现解混与分类，同时提升准确率与可解释性？
• RQ5 联合估计聚类、丰度与标签是否能产生优于串行流程的特征表示？

主要发现

• 在合成数据上，所提方法在95%置信度下实现了98.5%的分类准确率，优于基线方法。
• 在MUESLI项目的真实高光谱数据上，该方法实现了0.87的Cohen’s kappa值，表明即使在噪声地面真值下仍具有高分类准确率。
• 该模型对标签污染表现出强鲁棒性：即使在30%的污染率下，其准确率仍高于最先进的随机森林分类器。
• 通过利用聚类与类别之间在空间和统计上的一致性，该方法成功纠正了误标错误。
• 估计的交互矩阵揭示了聚类与类别之间的有意义空间关系，例如在图像2中，类别1主要由聚类#2和#9组成。
• 联合建模框架带来了更一致且可解释的图像解释，其特征表示从潜在结构中得到了显著改善。