備忘録

備忘録というなのポエム

【論文メモ13】Mapping Urban Land Use by Using Landsat Images and Open Social Data

  • Mapping Urban Land Use by Using Landsat Images and Open Social Data
  • Tengyun Hu et al.
  • Remote Sens. 2016, 8, 151; doi:10.3390/rs8020151

! ざっくり Open Dataと衛星画像を組み合わせて、都市域の土地被覆図を作成する。

分類スキームはParcelという都市機能の面で一様である単位を用いる。

衛星画像はLandsat8で、オープンデータはOSMとPOIを用いる。

! 感想

これは!といった部分がなかった。

! 次に読みたい論文

【論文メモ12】Random forest in remote sensing: A review of applications and future directions

  • Random forest in remote sensing: A review of applications and future directions

  • Mariana Belgiu and Lucian Dra˘gut ? ba

  • ISPRS Journal of Photogrammetry and Remote Sensing 114 (2016) 24–31 Contents

 

ざっくり

 

ランダムフォレストのサーベイ論文。

 

ランダムフォレストはまずサンプルの2/3を取り出してトレーニングし、1/3で交差検定を行い、モデルの評価を行う手法。

 

この誤差の推定はthe out-of-bag(OOB)errorとして知られている。

 

各決定木のノードはMtryというパラメータを用いて分けられ、森はNtreeというパラメータまで成長する。

 

分類精度はNtreeよりMtryの方に敏感である。

 

Ntreeは500で十分という報告がなされており、Mtryは通常、入力変数の平方根の値が用いられる。

 

また誤ったラベルが付いたトレーニングデータに対しても比較的敏感ではない。

 

そしてOOB errorは分類精度の評価として用いるのに信頼性のある指標という報告がある。

 

感想

【論文メモ11】で読んだ論文に参考文献として挙げられていた論文。

 

Random Forestのサーベイとしてよくまとまっていた。

 

今流行っているだけあって、沢山の研究がされているのだなあという印象。

 

ただ自分の気になっている点に関しての言及はなかったので、もう少し最近のRFに関する論文を読む必要がありそう。

 

次に読みたい論文

  • Zhang, L., Suganthan, P.N., 2014. Random forests with ensemble of feature spaces. Pattern Recogn. 47, 3429–3437.

…実際に試すときの参考になりそう。

 

  • Zhong, L., Gong, P., Biging, G.S., 2014. Efficient corn and soybean mapping with temporal extendability: a multi-year experiment using Landsat imagery. Remote

…RFの特徴空間の議論の参考になりそう。

【論文メモ11】An Open-Source Semi-Automated Processing Chain for Urban Object-Based Classification

  • title : An Open-Source Semi-Automated Processing Chain for Urban Object-Based Classification
  • Author : Jordi Inglada et al.
  • journal :Remote Sens. 2017, 9(1), 95 Remote Sens. 2017, 9(1), 95

ざっくり

オープンソースソフトウェアとオブジェクト分類を組み合わせて都市域の分類をしようという論文。

メインはGRASS GIS 7.2 と R、Jupyter notebookを用いている。

セグメンテーションにはi.segmentを用いる。

セグメンテーションの精度がそのままオブジェクト分類の精度に直結するが、 専門知識を必要としない教師なしで評価する。

そこでi.segment.uspoというアドオンを開発(?)した。

その後i.segment.statsでオブジェクト統計量を計算した。 しかし計算量の節約から、r.object.geometryを開発した。

分類はv.class.mlRを用いた。

SVM,Random Forest, Recursive Partitioning, kNNで分類した。

そして各分類器の結果を用いて、いくつかのvoteによってクラスを予想した。

結果はRF > SVMで、Voteはクラスによっては良かったり悪かったり。

感想

この論文のいいところは、Jupyter notebookが実際にgithubで公開しているところ。 URL:https://github.com/tgrippa/Opensource_OBIA_processing_chain

GRASS GISのi.segmentが2億のオブジェクトまで扱えると書いてあったが、結構速く動くのだろうか。

やはり最近はシェルスクリプトでGRASSのコマンドを記述するのではなく、Pythonで記述していくのが流行っているようだ。

次に読みたい論文

  • Belgiu, M.; Drăgut, L. Random forest in remote sensing: A review of applications and future directions. ISPRS J. Photogramm. Remote Sens. 2016, 114, 24–31.

Ramdom forestのサーベイ

  • Belgiu, M.; Drăgut, L. Comparing supervised and unsupervised multiresolution segmentation approaches for extracting buildings from very high resolution imagery. ISPRS J. Photogramm. Remote Sens. 2014, 96, 67–75.

セグメンテーションの評価に教師なしで行ったときにも、教師あり評価と同等の結果になった、という文の引用。

  • Zeng, Y.; Zhang, J.; Van Genderen, J.L. Comparison and Analysis of Remote Sensing Data Fusion Techniques at Feature and Decision Levels. In Proceedings of the ISPRS Commission VII Mid-term Symposium Remote Sensing: From Pixels to Processes, Enschede, The Netherlands, 8–11 May 2006.

“for a review of decision level fusion methods used in remote sensing” とあるので読んでみたい。

  • Espindola, G.M.; Camara, G.; Reis, I.A.; Bins, L.S.; Monteiro, A.M. Parameter selection for region-growing image segmentation algorithms using spatial autocorrelation. Int. J. Remote Sens. 2006, 27, 3035–3040

autocorrelationに関する論文。

【論文メモ9】Comparing ARTMAP Neural Network with the Maximum-Likelihood Classifier for Detecting Urban Change

  • タイトル:Comparing ARTMAP Neural Network with the Maximum-Likelihood Classifier for Detecting Urban Change
  • 著者:Karen C. Seto and Weiguo Liu
  • ジャーナル:Photogrammetric Engineering & Remote Sensing Vol. 69, No. 9, September 2003, pp. 981–990.

! ざっくり

ARTPAM Neural Networkという手法を用いて、 (1)農業フェノロジーと都市化をどれだけ区別できるか (2)クラス分解能?が都市化にどれだけ影響を与えるか (3)最尤法とどちらがいいか を評価する。

クラスは23に分け、その中には土地被覆が変化したクラスも含む。 また(2)の比較のため、23のクラスを10のクラスに統合した。

手法は4つ試した。

1つめは23のクラスでARTMAPと最尤法を試し、2つの結果を比較した。

2つ目は1つ目で分類したクラスを10クラスに統合し、比較した。

3つ目は10のクラスでARTMAPと最尤法を試した。

4つ目は、2つ目と3つ目の結果を比較した。

ARTMAPと最尤法の比較には、3つの手法を試した。

1つ目は全体精度の比較。

2つ目は各クラスの使用者精度を比較。

3つ目は全体精度と使用者精度を用い、z検定を行った。

結果はARTMAPの方が全体的に最尤法より良さげで、クラス分解能は(ARTMAPの方が特に)結果に大きな変化を与えなかった。

! 感想

途中で多層パーセプトロンの問題点として、局所解に落ちること、過学習すること、パラメータ設定の難しさを挙げている。 ARTMAPはどのようにしてこの問題に対処しているのだろうか。

本文中の説明ではいまいちARTMAPの仕組みがわからなかったので、以下のスライドで勉強したい。 https://www.slideshare.net/NaveenKumar11/adaptive-resonance-theory-15441260

! 次に読みたい論文

【論文メモ8】Horizontal Positional Accuracy of Google Earth’s High- Resolution Imagery Archive

タイトル Horizontal Positional Accuracy of Google Earth’s High- Resolution Imagery Archive

著者 David Potere

雑誌 Sensors 8.12 (2008): 7973-7981.

Sensors | Free Full-Text | Horizontal Positional Accuracy of Google Earth’s High-Resolution Imagery Archive

ざっくり

Google Earthの高解像度画像の位置精度を検証する.

検証にはLandsatのGeoCover画像(RMSE 50 m)を使用.

全体精度はRMSEが39.7 m.

この値は国によって異なり,先進国の方(22.8 m)が発展途上国(44.4 m)より有意に低かった.

ズレの方向に関しては特に決まったパターンは見られず.

感想

この当時のGoogle Earthの高解像度画像の位置精度は,中分解能画像のリファレンスとしては十分という結論に.

ただAVNIR2やASTERなどの解像度が10 m - 15 mのものは厳しそう.

しかしこの論文が出てから9年も経っているので,もう少し良くなったりしているのだろうか.

もしそうであっても,過去に公開された過去の画像(例えば2008年)も再処理の対象になっているかどうかで話が随分と変わってくる.

次に読みたい論文

最近の位置精度をGoogleが出したりしていないかなあ.

【論文メモ7】A Textural Approach for Land Cover Classification of Remotely Sensed Image

タイトル:A Textural Approach for Land Cover Classification of Remotely Sensed Image

著者:S.Jenica and A.Suruliandi.

雑誌:International Journal of Computer Applications (0975 – 8887) Volume 92 – No.10, April 2014

ざっくり

テクスチャー特徴量としてLocal binary patternをマルチバンドに拡張して土地被覆図を作成する.

感想

途中に出てきた数式の定義に誤りが多く,途中で読むのを断念.

次に読みたい論文

A Textural Approach for Land Cover Classification of Remotely Sensed Image

【論文メモ6】Real-Time Progressive Hyperspectral Image Processing: Endmember Finding and Anomaly Detection

タイトル:Real-Time Progressive Hyperspectral Image Processing: Endmember Finding and Anomaly Detection

著者:Chao-Cheng Wu et al.

雑誌:Journal of Real-Time Image Processing June 2012, Volume 7, Issue 2, pp 105–129.

ざっくり:

N-finderとpixel purity index (PPI)はエンドメンバーの決定に最も広く使われている手法である。

PPIの問題は他の論文で述べられているので、この論文ではN-FINDERに焦点を当てる。

問題1:エンドメンバーの数pが事前にわかっていないとならない。 →繰り返しN-FINDERを実行するのを避けるために、pを確実に推定することが大切。 →Virtual Dimentionality(VD)という新しい考えで対処される。

問題2:初期値によって最終的に決定されるエンドメンバーが変わってくる。 →カスタム設計された初期値決定アルゴリズムによって得られた適切な初期値集合によって解決される。

問題3:計算量が大きい。

問題1はすでに研究されているので、問題2と3に焦点を当てる。

N-FINDRは最大体積となるような頂点pを同時に見つけなければならないので、SiMultaneous N-FINDR (SM N-FINDR)と本論文では呼ぶ。 pの組み合わせは、$\frac{N!}{(n-p)!p!}$データサンプルベクトルの総数N。

さらにp-combinationsは一般的に無相関なので、pが変わると最初からやり直しになる。

この問題を解決するために、SM N-FINDRを2つのループに分解する。 内側のループは局所的最適なエンドメンバー候補を探し、 外側のループがそれを大域最適エンドメンバーとして更新する。(IN-FINDR)

もう一つの手法は、同時にpエンドメンバーを見つけるのではなく、順次生成していくこと。(SQ N-FINDR)

しかしSQ N-FINDRによって生成されるpエンドメンバーは最適なものではないかもしれない。

そこでSQ N-FINDRをIN-FINDRの内側のループで用いるか、あるいは適切な初期値集合をSQ N-FINDRに用いる。 後者の場合、IN-FINDRは外側のループを必要としない。

感想:

論文メモ4で候補に上げた論文はIEEEでアクセスできないので、N-finderに関する似たような論文を読んでみた。

ハイパースペクトルは専門外だが、興味を持って読めた。

エンドメンバーの決定を実装したプログラムはないかなーと探していたら、Pythonでpysptoolsというのがあった。 https://pypi.python.org/pypi/pysptools

次に読みたい論文: