[论文解读] Multiclass Approaches for Support Vector Machine Based Land Cover Classification

Mahesh Pal|ArXiv.org|Feb 18, 2008

Remote-Sensing Image Classification参考文献 18被引用 46

一句话总结

本文评估了六种多类支持向量机（SVM）方法——一对一（One-vs-One）、一对多（One-vs-Rest）、有向无环图（DAG）、错误纠正输出编码（ECOC），以及两种单次优化方法——在使用遥感数据进行土地覆盖分类中的表现。结果表明，一对一方法在分类准确率和计算效率之间取得了最佳平衡，其在两项指标上均优于其他方法。

ABSTRACT

SVMs were initially developed to perform binary classification; though, applications of binary classification are very limited. Most of the practical applications involve multiclass classification, especially in remote sensing land cover classification. A number of methods have been proposed to implement SVMs to produce multiclass classification. A number of methods to generate multiclass SVMs from binary SVMs have been proposed by researchers and is still a continuing research topic. This paper compares the performance of six multi-class approaches to solve classification problem with remote sensing data in term of classification accuracy and computational cost. One vs. one, one vs. rest, Directed Acyclic Graph (DAG), and Error Corrected Output Coding (ECOC) based multiclass approaches creates many binary classifiers and combines their results to determine the class label of a test pixel. Another catogery of multi class approach modify the binary class objective function and allows simultaneous computation of multiclass classification by solving a single optimisation problem. Results from this study conclude the usefulness of One vs. One multi class approach in term of accuracy and computational cost over other multi class approaches.

研究动机与目标

• 评估并比较多种多类SVM方法在使用遥感数据进行土地覆盖分类中的性能。
• 评估不同多类SVM策略在分类准确率和计算成本方面的表现。
• 识别在实际遥感应用中最有效的多类SVM方法。
• 为多类SVM实现中准确率与计算效率之间的权衡提供实证证据。

提出的方法

• 本研究实施了六种多类SVM方法：一对一、一对多、DAG、ECOC，以及两种通过修改二分类SVM目标函数来实现多类问题的方法。
• 每种方法均训练多个二分类器，并通过组合其输出结果为测试像素分配类别标签。
• 一对一方法构建所有类别对之间的组合，为每对类别训练一个二分类器。
• 一对多方法为每个类别训练一个分类器，将其与其他所有类别区分开来。
• DAG和ECOC分别采用分层和编码策略来组合二分类器的输出。
• 单次优化方法重新表述SVM目标函数，以在单次优化步骤中求解多类问题。

实验结果

研究问题

• RQ1 在使用遥感数据进行土地覆盖制图时，哪种多类SVM方法能实现最高的分类准确率？
• RQ2 不同多类SVM方法在计算成本和处理时间方面如何比较？
• RQ3 一对一方法是否在多种遥感数据集中均保持优越性能？
• RQ4 基于集成的方法（如DAG和ECOC）与直接的多类公式相比，在准确率和效率方面表现如何？
• RQ5 单次优化的多类SVM是否能在准确率和速度两方面均优于成对或一对多策略？

主要发现

• 一对一方法在所有评估的多类SVM方法中实现了最高的分类准确率。
• 一对一方法表现出最低的计算成本，因此比其他方法更具效率。
• 一对多和ECOC方法的准确率较低，且处理时间高于一对一方法。
• 基于DAG的方法准确率中等，但计算成本高于一对一方法。
• 单次优化的多类SVM方法在准确率或计算效率方面均未优于一对一方法。
• 总体而言，一对一方法在分类性能与计算成本之间提供了最佳权衡。