Global Vision Media Focus
L'entreprise a été présentée sur les chaînes de vidéosurveillance à 15 reprises, et sa diffusion via les médias du Parti, les médias centraux et les médias officiels locaux a touché un total de 50 millions de personnes.
La compression hyperspectrale ne peut être jugée uniquement par la « ressemblance », mais aussi par la « séparabilité ».
Dans l'article précédent,Compression hyperspectraleL'objectif principal est de compresser des dizaines, voire des centaines de bandes en un petit nombre de caractéristiques tout en conservant autant d'informations utiles que possible.Mais une question plus cruciale se pose alors : qu’est-ce qui constitue une « information utile » ? Si l’objectif est simplement de restaurer le spectre original après compression, les critères d’évaluation pourraient être…Erreur de reconstructionCependant, si la tâche suivante consiste à classifier la couverture terrestre, ce qui compte vraiment n'est pas la similarité des courbes spectrales avec les données réelles, mais la capacité des caractéristiques compressées à distinguer les différentes caractéristiques de la couverture terrestre.
Traditionnellement, de nombreuses méthodes de compression hyperspectrale privilégient la réduction de l'erreur de reconstruction. Autrement dit, elles compressent d'abord les pixels hyperspectraux originaux en caractéristiques de faible dimension, puis reconstruisent la courbe spectrale originale à partir de ces caractéristiques, et enfin comparent le résultat reconstruit à la courbe originale. Si la différence est faible, cela indique…Représentation de faible dimensionUne quantité importante d'informations originales est conservée ; une différence significative indique une perte d'informations substantielle. Cette méthode d'évaluation est pertinente, car l'erreur de reconstruction reflète bien la capacité du résultat de la compression à préserver le signal original.
Mais le problème est que,Une reconstitution réaliste ne garantit pas une classification exacte.Les tâches de reconstruction visent à « restaurer autant de variations spectrales que possible », tandis que les tâches de classification s'attachent à « préserver les variations clés qui distinguent les catégories ». Certains détails spectraux sont importants pour la courbe de reconstruction, mais peuvent s'avérer inutiles pour distinguer les toits, les routes, la végétation et les ombres ; certaines différences sont très subtiles sur l'ensemble de la courbe spectrale, mais peuvent se situer dans les bandes les plus discriminantes, influençant considérablement les résultats de la classification. Par conséquent, une même représentation compressée peut faire l'objet d'évaluations différentes quant à la fidélité de la reconstruction et à la séparabilité des catégories.
Figure 1.La fidélité de la reconstruction et la séparabilité des classes sont deux objectifs d'évaluation différents.
Le protocole expérimental présenté dans cet article s'articule autour de ce problème. Les chercheurs ont utilisé trois images hyperspectrales à haute résolution spatiale, représentant respectivement une zone de transition rural-urbain, une zone urbaine et une zone forestière. Chaque pixel contenait initialement 301 dimensions spectrales, qui ont ensuite été compressées à l'aide des méthodes PCA, KPCA, ICA, d'un auto-encodeur (AE) et d'un auto-encodeur débruiteur (DAE). Les caractéristiques compressées de faible dimension ont ensuite été utilisées comme entrée d'un classificateur XGBoost pour réaliser une classification au niveau du pixel.Classification des caractéristiques du terrain。
Pour comparer différentes conditions de compression dans un même cadre, les chercheurs ont réentraîné un ensemble de données pour chaque combinaison de méthode de compression, de taux de compression et d'ensemble de données.XGBoostClassificateurs. L'article a utilisé 98 niveaux de compression, soit un total de 1 470 classificateurs (98 niveaux de compression multipliés par 5 méthodes, puis par 3 jeux de données). L'objectif n'est pas d'augmenter le nombre de modèles, mais de garantir que chaque représentation de faible dimension soit évaluée séparément par un classificateur du même type et avec les mêmes paramètres d'entraînement. Ainsi, les différences de classification reflètent au mieux la conservation d'informations utiles par les caractéristiques compressées.
Cette approche expérimentale est précieuse car elle ne se contente pas de comparer qui peut reconstruire la courbe spectrale avec le plus de précision, mais compare plutôt qui peut rendre le classificateur plus précis. Autrement dit,Elle a fait passer la compression hyperspectrale d'une approche « axée sur la reconstruction » à une approche « axée sur la mission ».Ceci est très important pour les applications pratiques de télédétection.L'objectif ultime du traitement hyperspectral n'est souvent pas d'obtenir une courbe de reconstruction plus esthétique, mais plutôt d'accomplir des tâches spécifiques telles que la classification de la couverture terrestre, la détection de cibles, la surveillance écologique ou l'inversion quantitative.。
Figure 2.Le score F1 des données compressées varie en fonction du taux de compression.
L'analyse de la tendance générale du graphique révèle qu'à mesure que le taux de compression augmente, le nombre de dimensions conservées diminue et les performances de classification déclinent généralement de façon progressive. Ce constat est conforme à l'intuition : plus la compression est drastique, plus la perte d'informations est importante et plus la classification est facilement affectée. Il est toutefois intéressant de noter que les performances de classification ne s'effondrent pas brutalement dès le départ. L'article souligne que même avec des taux de compression supérieurs à 80 %, la quasi-totalité des méthodes atteignent un score F1 supérieur à 0,85. Ceci indique que les données hyperspectrales contiennent effectivement une redondance significative et que la suppression d'une part considérable de dimensions ne compromet pas immédiatement les capacités de classification.
La zone autour de 95 % est particulièrement remarquable. La compression du spectre à 301 dimensions à environ 15 dimensions réduit considérablement la taille des données, mais dans certains cas, les informations cruciales pour la classification peuvent être préservées. Sur des données issues de zones de transition urbain-rural, l'AE (traitement d'images avancé) offre des performances exceptionnelles entre 95 % et 97 %. Sur des données urbaines, l'AE, même à des taux de compression élevés, atteint ou se rapproche du niveau de classification des méthodes linéaires. Une compression plus poussée, notamment lorsque le taux approche 97 %, entraîne une baisse significative de certaines courbes. La raison est simple : une compression trop rapide élimine principalement la redondance, tandis qu'une compression excessive risque de détruire la structure spectrale véritablement discriminante. Dans cette étude de cas, la plage de 95 % est prometteuse et mérite une attention particulière, suggérant la possibilité de mener des expériences approfondies entre 90 % et 95 %. Toutefois, le choix final devra être déterminé par les résultats de validation de la tâche spécifique.
Les différentes méthodes présentent également des caractéristiques différentes dans ce processus.L'ACP est généralement stable à des taux de compression faibles et moyens, ce qui en fait une solution de base adaptée aux projets. L'ACP à noyau (KPCA) peut gérer les relations non linéaires, mais son coût de calcul est plus élevé. L'ICA présente des variations spécifiques dans certaines plages de compression et est plus sensible à la distribution des données. L'AE a un plus grand potentiel à des taux de compression élevés car il peut apprendre des représentations de faible dimension des non-linéarités. L'AE déduit du bruit (DAE) intègre du bruit dans sa conception, mais les fluctuations des résultats d'apprentissage sont plus significatives. En d'autres termes, les méthodes ne peuvent pas être classées uniquement sur la base d'une seule courbe ; il convient plutôt de considérer simultanément le taux de compression, le contexte des données, la stabilité de l'apprentissage et les ressources de calcul.
image 3.Pression dimensionnelle spectraleRétrécir 9Résultats de la classification des pixels après 5 %
La carte de classification rend ce résultat plus intuitif. Bien que le spectre à 301 dimensions ait été compressé à environ 15 dimensions, différentes méthodes permettent de reconstituer des distributions de caractéristiques du sol relativement claires. Cependant, elle nous rappelle également que l'analyse du seul score F1 global est insuffisante. Des modèles présentant des scores globaux similaires peuvent avoir des performances différentes sur les bords de toiture, les zones ombragées ou certaines catégories ; pour les petites caractéristiques du sol facilement confondues, les erreurs locales ne sont souvent pas pleinement reflétées par le score moyen. Par conséquent, lors de l'évaluation des résultats de la compression, outre l'analyse du score global, il convient également de consulter la carte de classification, les scores F1 de chaque catégorie, le taux de rappel et la matrice de confusion.
En définitive, l'importance de la compression hyperspectrale va bien au-delà de la simple réduction de la quantité de données.En réalité, cela répond à une question plus fondamentale : face à des centaines de bandes consécutives, que faut-il conserver ? La compression ne consiste pas en une simple suppression, mais en un filtrage de l’information ; la réduction de dimensionnalité ne se limite pas à une simple diminution, mais implique une réorganisation de la représentation. Pour les tâches de classification, l’important n’est pas tant la possibilité de restaurer intégralement le spectre compressé, mais plutôt la capacité à distinguer les différentes catégories. Pour les tâches de détection, il peut être nécessaire de conserver la sensibilité aux anomalies ; pour l’inversion quantitative, il peut s’agir de la cohérence physique. Chaque tâche requiert des informations différentes, et la méthode et le taux de compression les plus adaptés ne seront donc pas identiques.
L'intérêt de la compression hyperspectrale réside précisément en ceci : elle nous fait prendre conscience que les données de télédétection ne consistent pas à avoir le plus d'informations possible, mais plutôt à concentrer les informations les plus utiles en leur sein.Face à des centaines de bandes de fréquences,La vraie question n'est pas « pouvons-nous tout utiliser ? », mais « pouvons-nous conserver les éléments les plus essentiels ? »
[1] Mantripragada K, Dao PD, He Y, Qureshi FZ. Effets de la réduction de dimensionnalité spectrale sur la classification des pixels hyperspectraux : une étude de cas. PLoS One. 14 juil. 2022 ; 17(7) : e0269174. doi : 10.1371/journal.pone.0269174. PMID : 35834472 ; PMCID : PMC9282587.