DeepSat - 卫星画像の学習フレームワーク

衛星画像分類は、リモートセンシング、コンピュータビジョン、および機械学習の交差点に位置する難問である。衛星データに内在する高い変動性により、現在の大部分の物体分類手法は衛星データセットを処理するのに適していない。また、単一のラベル付き高解像度データセットが不足していることから、衛星画像解析の進歩も阻害されてきた。本論文の貢献は二つある。(1) まず、SAT-4とSAT-6という2つの新しい衛星データセットを提示し、(2) その後、入力画像から特徴を抽出し、正規化して正規化された特徴ベクトルをディープビリーフネットワークに供給する分類フレームワークを提案する。SAT-4データセットにおいて、最良のネットワークは97.95%の分類精度を達成し、ディープビリーフネットワーク（Deep Belief Networks）、畳み込みニューラルネットワーク（Convolutional Neural Networks）、スタック型デノイジングオートエンコーダー（Stacked Denoising Autoencoders）という3つの最先端物体認識アルゴリズムに対して約11%優れた性能を示した。SAT-6では93.9%の分類精度を達成し、他のアルゴリズムに対して約15%優れた性能を示した。ランダムフォレスト分類器との比較研究では、無監督学習アプローチが伝統的な監督学習技術よりも優れていることが示された。分布分離基準（Distribution Separability Criterion）と内在次元推定（Intrinsic Dimensionality Estimation）に基づく統計的分析により、我々のアプローチが衛星画像に対するより良い表現学習に効果的であることが実証されている。