[论文解读] Image Classification Using SVMs: One-against-One Vs One-against-All

Anthony Gidudu, Greg Hulley+1 more|ArXiv.org|Nov 19, 2007

Remote-Sensing Image Classification参考文献 13被引用 89

一句话总结

本文评估了在土地覆盖制图的图像分类中，使用支持向量机（SVM）进行训练时，一对一（1A1）与一对多（1AA）策略的性能。基于遥感数据，研究发现尽管1AA会产生更多未分类和混合像素，但两种方法的分类准确率在统计上相似，因此作者得出结论：方法选择主要取决于数据集特性，属于个人偏好问题。

ABSTRACT

Support Vector Machines (SVMs) are a relatively new supervised classification technique to the land cover mapping community. They have their roots in Statistical Learning Theory and have gained prominence because they are robust, accurate and are effective even when using a small training sample. By their nature SVMs are essentially binary classifiers, however, they can be adopted to handle the multiple classification tasks common in remote sensing studies. The two approaches commonly used are the One-Against-One (1A1) and One-Against-All (1AA) techniques. In this paper, these approaches are evaluated in as far as their impact and implication for land cover mapping. The main finding from this research is that whereas the 1AA technique is more predisposed to yielding unclassified and mixed pixels, the resulting classification accuracy is not significantly different from 1A1 approach. It is the authors conclusion therefore that ultimately the choice of technique adopted boils down to personal preference and the uniqueness of the dataset at hand.

研究动机与目标

• 评估一对一（1A1）与一对多（1AA）SVM策略在土地覆盖制图图像分类中的性能。
• 评估每种方法对分类准确率及像素分类结果的影响，特别是对未分类和混合像素的影响。
• 确定在遥感应用中，是否有一种方法能持续优于另一种方法。
• 基于数据集特征和实际考虑因素，为方法选择提供建议。

提出的方法

• 本研究采用支持向量机（SVM），其本质上是二元分类器，通过1A1和1AA策略扩展用于多类别图像分类。
• 在1A1方法中，为每对类别训练多个二元分类器，并通过投票机制确定最终类别。
• 在1AA方法中，为每个类别与其余所有类别训练一个单一的二元分类器，从而每个类别对应一个分类器。
• 使用整体准确率和用户生产者准确率等标准指标，对分类性能在遥感图像数据上进行评估。
• 本研究使用真实世界土地覆盖制图数据集，在相同条件下比较两种策略。
• 分析包括对分类结果的检查，特别是每种方法产生的未分类和混合像素数量。

实验结果

研究问题

• RQ1 在土地覆盖制图中，1A1与1AA SVM策略在整体分类准确率方面如何比较？
• RQ2 每种策略对最终分类结果中未分类和混合像素数量的影响是什么？
• RQ3 在不同的土地覆盖数据集中，是否有一种方法能持续产生更可靠或更稳定的分类结果？
• RQ4 数据集特定特征在多大程度上影响1A1与1AA策略的选择？

主要发现

• 一对多（1AA）方法产生的未分类和混合像素数量高于一对一（1A1）方法。
• 尽管像素分类结果存在差异，1A1与1AA方法的整体分类准确率无显著差异。
• 1AA方法在二元分类过程中由于类别分布不平衡，更容易导致像素误分类。
• 本研究发现，1A1与1AA在准确率方面无统计显著差异，表明两者均适用于土地覆盖分类。
• 最终，1A1与1AA的选择取决于具体数据集和用户偏好，而非存在普遍更优的方法。