Application of Generative Adversarial Network (GAN) for Synthetic Training Data Creation to improve performance of ANN Classifier for extracting Built-Up pixels from Landsat Satellite Imagery

要約

低解像度のランドサット画像を使用したピクセルベースの分類タスクのニューラルネットワークのトレーニングは、他のクラスと混合されずに単一のクラスを表す利用可能なピクセルの数が少ないため、トレーニングデータのサイズが少ないため、通常は困難です。
このトレーニングデータが不足しているため、ニューラルネットワークは予想される精度を達成できない場合があります。
この制限は、トレーニングされているサンプルデータと同じ分布を持つ合成データを生成することを目的とする生成ネットワークを使用して克服できます。
この作業では、ANN分類器のパフォーマンスを改善して、サンプルの元のセットを使用してトレーニングを受けたときに合成トレーニングピクセルを生成できるシンプルなGANアーキテクチャを開発するのに役立つLandsat $ 7 $画像の組み込みピクセルを特定する方法を提案しました。
ビルトアップピクセル。
生成されたオリジナルのピクセルセットに対応するすべてのバンドの限界および共同分布が区別できない、ノンパラメトリックコルモゴロフスミルノフテストとボール発散均等の分布テストがそれぞれ実施されていることを確認するために実施されています。
組み込み分類のためのANNモデルの全体的な精度とKappa係数は、それぞれ0.9331ドルから0.9983ドル、0.8277ドルから0.8277ドルから0.9958ドルまで継続的に改善されていることが観察されています。
オリジナルのもの。

要約(オリジナル)

Training a neural network for pixel based classification task using low resolution Landsat images is difficult as the size of the training data is usually small due to less number of available pixels that represent a single class without any mixing with other classes. Due to this scarcity of training data, neural network may not be able to attain expected level of accuracy. This limitation could be overcome using a generative network that aims to generate synthetic data having the same distribution as the sample data with which it is trained. In this work, we have proposed a methodology for improving the performance of ANN classifier to identify built-up pixels in the Landsat$7$ image with the help of developing a simple GAN architecture that could generate synthetic training pixels when trained using original set of sample built-up pixels. To ensure that the marginal and joint distributions of all the bands corresponding to the generated and original set of pixels are indistinguishable, non-parametric Kolmogorov Smirnov Test and Ball Divergence based Equality of Distributions Test have been performed respectively. It has been observed that the overall accuracy and kappa coefficient of the ANN model for built-up classification have continuously improved from $0.9331$ to $0.9983$ and $0.8277$ to $0.9958$ respectively, with the inclusion of generated sets of built-up pixels to the original one.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google