Fraunhofer-Gesellschaft

Publica

Hier finden Sie wissenschaftliche Publikationen aus den Fraunhofer-Instituten.

Large scale classification of spectral signatures

Klassifikation in einer großen Menge von spektralen Signaturen
 
: Richter, M.; Längle, Thomas; Beyerer, Jürgen

:

Technisches Messen : TM 82 (2015), Nr.12, S.663-671
ISSN: 0340-837X
ISSN: 0171-8096 (Print)
ISSN: 2196-7113 (Online)
Englisch
Zeitschriftenaufsatz
Fraunhofer IOSB ()
NAT; pattern recognition; hyperspectral imaging; machine learning; linear SVM; random forest; partial least squares; Mustererkennung; Hyperspektrale Bildverarbeitung; maschinelles Lernen; lineare SVM; random forest; partial least squares

Abstract
Hyperspektrale Sensoren werden billiger, schneller und breiter verfügbar. Neben dem Einsatz in Industrieanwendungen versuchen Hersteller solcher Sensoren kompakte Geräte zum Endverbraucher zu bringen. Diese Entwicklung ermöglicht viele interessante Anwendungen wie die Identifikation von gefälschten Medikamenten oder die Klassifikation von Lebensmitteln. Solche Anwendungen erfordern ein genaues Modell der zugrundeliegenden Klassen. Ein solches Modell aus Expertenwissen zusammenzustellen ist jedoch kaum durchführbar. In diesem Artikel schlagen wir stattdessen vor, ein Klassifikations-Modell mittels maschineller Lernverfahren aus einer großen, annotierten Datenbank abzuleiten. Dafür untersuchen wir drei populäre Methoden: Support vector machines, random forests und partial least squares. Im Gegensatz zu vergleichbaren Ansätzen, die ebenfalls support vector machines verwenden, beschränken wir uns auf die lineare Formulierung und lernen den Klassifikator indem wir das primale, anstatt das duale Optimierungsproblem lösen. Unsere Experimente auf einem großen Datensatz zeigen, dass der support vector machine Ansatz sowohl random forests, als auch partial least squares betreffend der Klassifikationsleistung und benötigtem Rechenaufwand zum Trainieren überlegen ist.

 

Hyperspectral sensors are becoming cheaper, faster and more readily available. Apart from industry applications, manufacturers push to bring compact devices into the end-consumer market. This development gives rise to many interesting applications such as the identification of counterfeit pharmaceutical products or the classification of food stuffs. These applications require precise models of the underlying classes. However, building these models from expert knowledge is not feasible. In this paper, we propose to use machine learning techniques to infer a model of many classes from an annotated dataset instead. We investigate the use of three popular methods: support vector machines, random forest classifiers and partial least squares. In contrast to similar approaches using support vector machines, we restrict ourselves to the linear formulation and train the classifiers by solving the primal, instead of dual optimization problem. Our experiments on a large dataset show that the support vector machine approach is superior to random forests and partial least squares in classification accuracy as well as training time.

: http://publica.fraunhofer.de/dokumente/N-370135.html