2021 Fiscal Year Annual Research Report
Semisupervised transductive classification of remotesensing images with restricted training data
| Project/Area Number |
19K12043
|
|---|
| Research Institution | Nagasaki University |
|---|
Principal Investigator |
喜安 千弥 長崎大学, 情報データ科学部, 教授 (20234388)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
酒井 智弥 長崎大学, 工学研究科, 准教授 (30345003)
薗田 光太郎 長崎大学, 工学研究科, 助教 (90415852)
|
|---|
| Project Period (FY) |
2019-04-01 – 2022-03-31
|
| Keywords | リモートセンシング / 分類 / 半教師つき / パターン認識 |
|---|
| Outline of Annual Research Achievements |
本研究では，マルチスペクトル画像の教師つき分類において，教師データの数が限られていることが実際の応用における誤分類の要因となっていることに着目し，限られた教師データでカテゴリー分類の精度を改善する半教師つきアルゴリズムの開発を目標とした．教師データの拡張とトランスダクティブSVMを融合した半教師つきアルゴリズムを実現するため，既存のSVMアルゴリズムをAVIRISデータを分類対象としてインプリメントしたうえで，それを組み合わせて多クラス分類を行ったときの誤分類の発生状態を把握した．一方，マルチテンポラル画像への応用を検討するため，5時期のLANDSAT-TMデータを対象として，データ取得時期が異なる画像から得られた教師データを用いた．SVMアルゴリズムを拡張した半教師つきSVMの実用的な解法を検討するとともに，リモートセンシング画像に適用して実際の分類への応用を検討した．擬似ニュートン法を適用した半教師つきSVMによって２クラス分類の解を求め，それを組合せて多クラス分類をおこなって適切な結果が得られることを確認した．しかし，ラベルなしデータに大きな偏りが存在する場合には，必ずしも十分な精度向上が見られなかった．そこで，半教師つき分類の精度を向上させるために，処理に用いるラベルなしデータをあらかじめ選択することを検討し．特徴空間におけるスペクトル間の距離と画素データの空間的な配置を同時に考慮して，未知データを選択的に利用して精度の向上が期待できることを確認した．
|
