アントコロニー最適化を用いたハイパースペクトル画像分類における特徴量選択とSVMパラメータ決定の同時実行

ハイパースペクトルリモートセンシング画像は、その豊富なスペクトル情報源により、複雑な地理的領域における土地被覆分類のための効率的なツールを提供します。しかし、この画像の高次元空間は、分類プロセスにおいて2つの重要な課題をもたらします。すなわち、Hughes現象と、関連する特徴量および冗長な特徴量の存在です。高次元空間におけるサポートベクターマシン（SVM）の堅牢性により、ハイパースペクトル画像を分類するための効率的なツールとなっています。しかし、最適なSVMパラメータの決定と最適な特徴量選択は、SVMの性能に強く影響を与える2つの最適化課題です。従来の最適化アルゴリズムは、局所最適解が1つ存在する限定された探索空間において最適解を見出すことができます。それにもかかわらず、高次元空間では従来の最適化アルゴリズムは通常局所最適解に陥るため、準大域的最適解を得るにはメタヒューリスティック最適化アルゴリズムを適用する必要があります。本研究では、SVMパラメータの決定および特徴量選択に対するアントコロニー最適化（ACO）の可能性を評価します。AVIRISおよびROSISハイパースペクトルデータセットから得られた結果は、SVMパラメータと入力特徴量のサブセットを同時に最適化することによって達成された、SVMの優れた性能を実証しています。比較のために、シミュレーテッドアニーリング、タブーサーチ、遺伝的アルゴリズムなどの他のメタヒューリスティック最適化アルゴリズムを適用することによる評価も行いました。結果は、分類精度の向上および選択された特徴量サブセットのサイズの縮小に関して、ACOベースのアルゴリズムがより優れた性能を示すことを実証しています。