Learning One-Class Hyperspectral Classifier from Positive and Unlabeled Data for Low Proportion Target

要約

ハイパースペクトル画像 (HSI) の 1 クラス分類は、ポジティブ ラベルのみを使用して HSI から単一のターゲット クラスを識別することを目的としています。これにより、アノテーションの要件を大幅に減らすことができます。
ただし、HSI 1 クラス分類は、以前の HSI 分類研究ではめったに考慮されなかった問題であるネガティブ ラベルの欠如と低いターゲット比率のために、HSI マルチクラス分類よりもはるかに困難です。
このホワイト ペーパーでは、弱教師付き HSI 1 クラス分類器、つまり HOneCls を提案して、ターゲット比率の低い HSI データで発生するポジティブ クラスのアンダーフィッティングの問題を解決します。
Estimator — 特に、1 つのクラス分類の機能を備えた完全な畳み込みニューラル ネットワーク (FCN) を作成するために導入されました。
非常に類似したスペクトルを持つ 20 種類の地上オブジェクトを含む挑戦的なハイパースペクトル分類データセットで得られた実験結果は、提案された 1 クラス リスク推定器の効率と実現可能性を示しています。
最先端の 1 クラス分類器と比較して、F1 スコアはターゲット比率の低い HSI データで大幅に改善されます。

要約(オリジナル)

Hyperspectral imagery (HSI) one-class classification is aimed at identifying a single target class from the HSI by using only positive labels, which can significantly reduce the requirements for annotation. However, HSI one-class classification is far more challenging than HSI multi-class classification, due the lack of negative labels and the low target proportion, which are issues that have rarely been considered in the previous HSI classification studies. In this paper, a weakly supervised HSI one-class classifier, namely HOneCls is proposed to solve the problem of under-fitting of the positive class occurs in the HSI data with low target proportion, where a risk estimator — the One-Class Risk Estimator — is particularly introduced to make the full convolutional neural network (FCN) with the ability of one class classification. The experimental results obtained on challenging hyperspectral classification datasets, which includes 20 kinds of ground objects with very similar spectra, demonstrate the efficiency and feasibility of the proposed One-Class Risk Estimator. Compared with the state-of-the-art one-class classifiers, the F1-score is improved significantly in the HSI data with low target proportion.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google