ハイパースペクトルシーンにおける分類器選択のためのラベルフリー劣化診断
Label-Free Degradation Diagnosis for Classifier Selection in Hyperspectral Scenes
ハイパースペクトル画像分類において、最も適した分類器はシーンに存在する劣化の大きさや種類に依存するが、この情報は選択時にラベルなしでは得られない。本研究では、分類前にラベルなしで計算される2層診断を提案する。重症度指数は劣化の大きさを報告し、3つのシーン由来指標は独立、バンド依存、スペクトル相関、ストライプ構造を分離する。このアプローチは、10のベンチマークシーンで漏洩を考慮した空間プロトコル下で評価された。分類器の脆弱性は、ツリーアンサンブルが空間的に局所的な劣化に強く、スペクトル全体に広がる劣化に弱い一方、畳み込みネットワークではその逆が観察されるという2つの相反するレジームに従うことがわかった。レジームベースの分類器選択は、検討されたすべての組み合わせでより良い分類マップを生成した。空間プロトコルをランダムピクセル分割に置き換えると、精度が0.162から0.249向上し、10シーン中6シーンで最適な分類器が変化することが示された。
- 分類前にラベルなしで計算する2層診断(重症度指数+3つのシーン由来指標)を提案し、劣化の大きさと種類(独立・バンド依存・スペクトル相関・ストライプ構造)を分離する
- 10のベンチマークシーンで漏洩を考慮した空間プロトコル下で評価し、分類器の脆弱性がツリーアンサンブルと畳み込みネットワークで相反する2つのレジームに従うことを発見
- レジームベースの分類器選択が検討されたすべての組み合わせでより良い分類マップを生成した
- 空間プロトコルをランダムピクセル分割に置き換えると精度が0.162〜0.249向上し、10シーン中6シーンで最適な分類器が変化
学術研究であり直接の投資対象ではないが、ハイパースペクトル画像分類の「ラベルなし劣化診断→分類器選択」という手法は、衛星リモートセンシングや産業検査などAI推論の信頼性が問われる領域の実運用コストと精度に直結する。特に「空間プロトコルをランダムピクセル分割に置き換えると精度が0.162〜0.249変動し、6/10シーンで最適分類器が変わる」という結果は、ベンチマーク設計やデータ分割の妥当性がAIソリューションの評価額・採用判断を左右することを示す。同領域のAIベンダー評価やデータセット設計のリスク要因として注目。