Training Methods of Multi-label Prediction Classifiers for Hyperspectral Remote Sensing Images

要約

スペクトル深度と幾何学的解像度を組み合わせたハイパースペクトル リモート センシング画像には、従来のコンピューター ビジョン技術に挑戦する豊富な複雑な非線形情報が埋め込まれています。
しかし、表現学習機能で知られる深層学習手法は、そのような複雑さを処理するのにより適していることが証明されています。
ハイパースペクトル リモート センシング画像の単一ラベルのピクセル レベルの分類方法に焦点を当てたアプリケーションとは異なり、2 コンポーネントの深層学習ネットワークに基づくマルチラベルのパッチレベルの分類方法を提案します。
リモートセンシング画像から抽出された、空間次元が縮小されたパッチと完全なスペクトル深度を使用します。
さらに、ネットワークの 3 つのトレーニング スキーム (反復、ジョイント、カスケード) を調査します。
実験では、Joint スキームが最もパフォーマンスの高いスキームであることを示唆しています。
ただし、これを適用するには、損失構成要素の最適な重量の組み合わせを見つけるための費用のかかる検索が必要です。
反復スキームにより、トレーニングの初期段階でネットワークの 2 つの部分間で特徴を共有できます。
複数のラベルを持つ複雑なデータのパフォーマンスが向上します。
さらなる実験では、さまざまなアーキテクチャで設計されたメソッドが、サンプリング方法に従って抽出およびラベル付けされたパッチでトレーニングされた場合に良好に機能することが示されました。

要約(オリジナル)

With their combined spectral depth and geometric resolution, hyperspectral remote sensing images embed a wealth of complex, non-linear information that challenges traditional computer vision techniques. Yet, deep learning methods known for their representation learning capabilities prove more suitable for handling such complexities. Unlike applications that focus on single-label, pixel-level classification methods for hyperspectral remote sensing images, we propose a multi-label, patch-level classification method based on a two-component deep-learning network. We use patches of reduced spatial dimension and a complete spectral depth extracted from the remote sensing images. Additionally, we investigate three training schemes for our network: Iterative, Joint, and Cascade. Experiments suggest that the Joint scheme is the best-performing scheme; however, its application requires an expensive search for the best weight combination of the loss constituents. The Iterative scheme enables the sharing of features between the two parts of the network at the early stages of training. It performs better on complex data with multi-labels. Further experiments showed that methods designed with different architectures performed well when trained on patches extracted and labeled according to our sampling method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google