[论文解读] Machine learning based hyperspectral image analysis: A survey

Utsav B. Gewali, Sildomar T. Monteiro+1 more|arXiv (Cornell University)|Feb 23, 2018

Remote-Sensing Image Classification参考文献 207被引用 105

一句话总结

对高光谱图像分析中应用的机器学习技术的综合综述，按分析任务和 ML 算法组织，突出趋势、挑战和未来方向。

ABSTRACT

Hyperspectral sensors enable the study of the chemical properties of scene materials remotely for the purpose of identification, detection, and chemical composition analysis of objects in the environment. Hence, hyperspectral images captured from earth observing satellites and aircraft have been increasingly important in agriculture, environmental monitoring, urban planning, mining, and defense. Machine learning algorithms due to their outstanding predictive power have become a key tool for modern hyperspectral image analysis. Therefore, a solid understanding of machine learning techniques have become essential for remote sensing researchers and practitioners. This paper reviews and compares recent machine learning-based hyperspectral image analysis methods published in literature. We organize the methods by the image analysis task and by the type of machine learning algorithm, and present a two-way mapping between the image analysis tasks and the types of machine learning algorithms that can be applied to them. The paper is comprehensive in coverage of both hyperspectral image analysis tasks and machine learning algorithms. The image analysis tasks considered are land cover classification, target detection, unmixing, and physical parameter estimation. The machine learning algorithms covered are Gaussian models, linear regression, logistic regression, support vector machines, Gaussian mixture model, latent linear models, sparse linear models, Gaussian mixture models, ensemble learning, directed graphical models, undirected graphical models, clustering, Gaussian processes, Dirichlet processes, and deep learning. We also discuss the open challenges in the field of hyperspectral image analysis and explore possible future directions.

研究动机与目标

• 提供对高光谱图像分析任务及用于解决它们的机器学习方法的广泛概述。
• 在地物覆盖分类、目标/异常检测、混合分解以及物理/化学参数估计方面，对机器学习算法进行比较和分类。
• 识别尚存的挑战并提出基于机器学习的高光谱分析未来研究方向。
• 展示机器学习方法相较于基于物理的或固定模型方法在高光谱情境中的灵活性。

提出的方法

• 按图像分析任务和机器学习算法类型组织方法，并将任务映射到合适的算法家族。
• 对在同行评议期刊/会议发表的205种方法进行调研，并以任务-算法的双向映射进行总结。
• 讨论维度灾难、数据变异性，以及特征提取与时空-光谱信息的作用。
• 突出高光谱ML研究中的尚存挑战和未来方向。

实验结果

研究问题

• RQ1 已将哪些机器学习算法应用于每种高光谱图像分析任务（地物覆盖分类、目标/异常检测、混合分解、参数估计）？
• RQ2 不同的 ML 类别（高斯模型、回归、SVM、GMM、图模型、聚类、高斯过程、狄利克雷过程、深度学习）在各高光谱任务上的表现如何？
• RQ3 高光谱机器学习当前面临的挑战（如高维、地面真值有限、光谱变异性等）以及潜在的未来方向是什么？

主要发现

• 该综述涵盖了跨四个任务的205种基于ML的高光谱分析方法。
• 广泛采用多样的 ML 方法，包括深度学习、高斯模型、回归、SVM、概率模型和图形模型，应用于不同任务。
• 降维、波段选择以及整合空间信息是应对高维度的常见策略。
• 强调贝叶斯方法在处理高维高光谱数据的不确定性方面的作用。
• 本文指出尚存的挑战并提出高光谱分析中机器学习的未来研究方向。