Deep Feature Extraction and Classification of Hyperspectral Images Based on Convolutional Neural Networks

[KenichiSasaki]

概要

• アルゴリズム論文(2016)
• 数百のチャンネルを持つHyperspectral imagesの植生分類をCNNを用いて実装し，代表的なHyperspectral Imagesの画像に対して高い精度を達成

アルゴリズム

• 1D, 2D, 3Dのカーネルを用いてそれぞれ実装
• 1Dは各ピクセル毎に全チャネルのSpectral Informationを畳み込みして識別
  • 5層の畳み込みとプーリング，1層のMLP
• 2DはPCAをまず行い，第1成分のみを取り出し，普通の画像処理同様にCNNをかける
• 3Dは全チャンネルに対して3次のカーネルをかけて識別
  • 3Dのカーネルは27*27でSpectral lengthは100-200の長さをとった
    

実装

• 以下の3つの代表的なHyperspectral Imagesを使用
  • Indian Pine Tree by Airborne Visible Infrared Imaging Spectrometer (AVIRIS)
  • the city of Pavia, Italy by Reflective Optics System Imaging Spectrometer (ROSIS-3)
  • Kennedy Space Center, Florida by AVIRIS
• すべてのケースにおいてCNNが1-3Dにおける精度の方が高いことを示した
  

所感

• 今までのHyperspectral Imagesの解析手法やCNNの歴史や説明まで詳しく書かれていて勉強になる
• 実際のHyperspectral imagesの中身を見るとかなりのデータは識別には寄与しないデータが多い(0だったり，同じ値)，そのためPCAを行うことで2DのCNNは適切に学習できたと思われる
• 1Dのケースでも精度が向上したのはCNNが適切に無駄なデータに対して学習の際に無相関であることを学習できているからか
• 計算コストは言及されていないが3DCNNなんかは圧倒的にかかるので，その評価も見てみたい