効率的なグローバル分光スーパー・トークンクラスタリングによるハイパースペクトル画像分類

要旨: ハイパースペクトル画像の分類では、空間的に一貫した予測と、正確な境界の描定が求められる。しかし、従来のスーパーピクセルベースの手法には本質的な矛盾がある。すなわち、クラスタリングは類似した画素を領域へとまとめる一方で、その後の分類器は画素単位で処理を行うため、領域の一貫性が損なわれる。その結果、既存手法では、領域レベルで、かつ境界に整合した分類が保証されない。 この制約に対処するために、我々はデュアルステージ・スペクトラム拘束クラスタリングベース分類器（DSCC）を提案する。DSCCは、クラスタリングと分類を明示的に切り離すことによって、クラスタリングから分類への影響を端から端まで（end-to-end）で制御する枠組みである。具体的には、まずスペクトル的に類似し、かつ空間的に近接した画素をスペクトル・スーパートークンへとグルーピングし、その後にトークンレベルの予測を行う。 DSCCの中核では、画素と中心間の画像レベルのマルチクライテリア距離を計算し、続いて局所性を考慮した割当ての正則化を行うことで、境界を保持するスペクトル・スーパートークンの生成を可能にする。さらに、密度分離に基づく中心選択により、代表的でよく分離された中心が得られ、冗長性が削減され、スケール変動に対する頑健性が向上する。各トークン内の混合された土地被覆の構成に対応するために、クラス割合を符号化するソフトラベル方式を導入し、混合クラスのトークンに対する頑健性を高める。 DSCCは、WHU-OHSデータセットにおいて197.75 FPSでCF1が0.728に達し、最先端手法と比較して優れた精度と効率のトレードオフを提供する。大規模な実験により、提案するデュアルステージのパラダイムが、ハイパースペクトル画像分類に対して有効であり、かつ汎用性があることがさらに検証される。ソースコードは https://github.com/laprf/DSCC で公開されている。