論文の概要: Graph Convolutional Networks for Hyperspectral Image Classification

• arxiv url: http://arxiv.org/abs/2008.02457v2
• Date: Fri, 15 Jan 2021 00:06:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 07:10:29.815708
• Title: Graph Convolutional Networks for Hyperspectral Image Classification
• Title（参考訳）: ハイパースペクトル画像分類のためのグラフ畳み込みネットワーク
• Authors: Danfeng Hong, Lianru Gao, Jing Yao, Bing Zhang, Antonio Plaza, Jocelyn Chanussot
• Abstract要約: 我々は、ハイパースペクトル(HS)画像分類の観点から、CNNとGCN(Graph Convolutional Network)について検討する。 我々は,大規模GCNをミニバッチ方式で訓練できる新しいミニバッチGCNを開発した。 我々のミニGCNは、ネットワークを再トレーニングすることなくサンプル外データを推測し、分類性能を向上させることができる。
• 参考スコア（独自算出の注目度）: 36.174209668206146
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To read the final version please go to IEEE TGRS on IEEE Xplore. Convolutional neural networks (CNNs) have been attracting increasing attention in hyperspectral (HS) image classification, owing to their ability to capture spatial-spectral feature representations. Nevertheless, their ability in modeling relations between samples remains limited. Beyond the limitations of grid sampling, graph convolutional networks (GCNs) have been recently proposed and successfully applied in irregular (or non-grid) data representation and analysis. In this paper, we thoroughly investigate CNNs and GCNs (qualitatively and quantitatively) in terms of HS image classification. Due to the construction of the adjacency matrix on all the data, traditional GCNs usually suffer from a huge computational cost, particularly in large-scale remote sensing (RS) problems. To this end, we develop a new mini-batch GCN (called miniGCN hereinafter) which allows to train large-scale GCNs in a mini-batch fashion. More significantly, our miniGCN is capable of inferring out-of-sample data without re-training networks and improving classification performance. Furthermore, as CNNs and GCNs can extract different types of HS features, an intuitive solution to break the performance bottleneck of a single model is to fuse them. Since miniGCNs can perform batch-wise network training (enabling the combination of CNNs and GCNs) we explore three fusion strategies: additive fusion, element-wise multiplicative fusion, and concatenation fusion to measure the obtained performance gain. Extensive experiments, conducted on three HS datasets, demonstrate the advantages of miniGCNs over GCNs and the superiority of the tested fusion strategies with regards to the single CNN or GCN models. The codes of this work will be available at https://github.com/danfenghong/IEEE_TGRS_GCN for the sake of reproducibility.
• Abstract（参考訳）: 最終バージョンを読むには、IEEE XploreのIEEE TGRSを参照してください。 畳み込みニューラルネットワーク(CNN)は、空間スペクトルの特徴表現を捉える能力のため、ハイパースペクトル(HS)画像分類において注目を集めている。 それでも、サンプル間の関係をモデル化する能力は限られている。 グリッドサンプリングの限界を超えて、グラフ畳み込みネットワーク(GCN)が最近提案され、不規則な(あるいは非グリッド的な)データ表現と分析に成功している。 本稿では, HS画像の分類において, CNN と GCN を適量かつ定量的に検討する。 全てのデータ上に隣接行列が構築されているため、従来のGCNは通常、特に大規模なリモートセンシング(RS)問題において、膨大な計算コストに悩まされる。 この目的のために我々は,大規模GCNをミニバッチ方式で訓練できる新しいミニバッチGCN(以下,ミニGCNと呼ぶ)を開発した。 さらに,我々のミニGCNはネットワークを再トレーニングすることなくサンプル外データを推測し,分類性能を向上させることができる。 さらに、cnnとgcnは異なるタイプのhs機能を抽出できるため、単一のモデルのパフォーマンスボトルネックを壊すための直感的な解決策はそれらを融合することだ。 ミニGCNはバッチワイドネットワークトレーニング(CNNとGCNの組み合わせの導入)を行うことができるため、加算核融合、要素ワイド乗算核融合、結合核融合という3つの融合戦略を探索し、得られた性能の利得を測定する。 3つのHSデータセットで実施された大規模な実験は、GCNよりもミニGCNの利点と、単一のCNNまたはGCNモデルに関して試験された融合戦略の優位性を実証している。 この作業のコードは再現性のためにhttps://github.com/danfenghong/IEEE_TGRS_GCNで公開される。

関連論文リスト

• Neighborhood Convolutional Network: A New Paradigm of Graph Neural Networks for Node Classification [12.062421384484812]
  グラフ畳み込みネットワーク(GCN)は、各畳み込み層における近傍の集約と特徴変換を分離する。 本稿では,周辺畳み込みネットワーク(NCN)と呼ばれるGCNの新しいパラダイムを提案する。 このようにして、モデルは、近隣情報を集約するための分離GCNの利点を継承すると同時に、より強力な特徴学習モジュールを開発することができる。
  論文  参考訳（メタデータ） (2022-11-15T02:02:51Z)
• A Comprehensive Study on Large-Scale Graph Training: Benchmarking and Rethinking [124.21408098724551]
  グラフニューラルネットワーク(GNN)の大規模グラフトレーニングは、非常に難しい問題である 本稿では,既存の問題に対処するため,EnGCNという新たなアンサンブルトレーニング手法を提案する。 提案手法は,大規模データセット上でのSOTA(State-of-the-art)の性能向上を実現している。
  論文  参考訳（メタデータ） (2022-10-14T03:43:05Z)
• Spiking Graph Convolutional Networks [19.36064180392385]
  SpikingGCNは、GCNの埋め込みとSNNの生体忠実性特性を統合することを目的としたエンドツーエンドフレームワークである。 ニューロモルフィックチップ上でのスパイキングGCNは、グラフデータ解析にエネルギー効率の明確な利点をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-05-05T16:44:36Z)
• Unified GCNs: Towards Connecting GCNs with CNNs [13.052892923630687]
  グラフ畳み込みネットワーク(GCN)は、グラフデータの表現と学習において、その強力な能力を広く実証している。 本稿では,GCNとCNNの接続について,深い分離可能な畳み込み操作の一般的な視点から検討する。 我々はGCNとGATが実際に特定の深さ分離可能な畳み込み操作を行うことを示す。
  論文  参考訳（メタデータ） (2022-04-26T13:29:53Z)
• SoGCN: Second-Order Graph Convolutional Networks [20.840026487716404]
  多層二階グラフ畳み込み(SoGC)は任意の係数でスペクトルフィルタを表現するのに十分であることを示す。 We build our Second-Order Graph Convolutional Networks (SoGCN) with SoGC and design a synthetic dataset to verify its filter fitabilities。
  論文  参考訳（メタデータ） (2021-10-14T03:56:34Z)
• Towards Efficient Graph Convolutional Networks for Point Cloud Handling [181.59146413326056]
  ポイントクラウド上で学習するためのグラフ畳み込みネットワーク(GCN)の計算効率の向上を目指します。 一連の実験により、最適化されたネットワークは計算複雑性を減らし、メモリ消費を減らし、推論速度を加速した。
  論文  参考訳（メタデータ） (2021-04-12T17:59:16Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)
• MG-GCN: Fast and Effective Learning with Mix-grained Aggregators for Training Large Graph Convolutional Networks [20.07942308916373]
  グラフ畳み込みネットワーク(GCN)は、隣人層の情報を層ごとに集約することでノードの埋め込みを生成する。 GCNの高計算とメモリコストにより、大きなグラフのトレーニングが不可能になる。 MG-GCNと呼ばれる新しいモデルでは、精度、トレーニング速度、収束速度、メモリコストの点で最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2020-11-17T14:51:57Z)
• AM-GCN: Adaptive Multi-channel Graph Convolutional Networks [85.0332394224503]
  グラフ畳み込みネットワーク(GCN)は,豊富な情報を持つ複雑なグラフにおいて,ノードの特徴と位相構造を最適に統合できるかどうかを検討する。 半教師付き分類(AM-GCN)のための適応型マルチチャネルグラフ畳み込みネットワークを提案する。 実験の結果,AM-GCNはノードの特徴とトポロジ的構造の両方から最も相関性の高い情報を抽出することがわかった。
  論文  参考訳（メタデータ） (2020-07-05T08:16:03Z)
• DeeperGCN: All You Need to Train Deeper GCNs [66.64739331859226]
  グラフ畳み込みネットワーク(GCN)はグラフ上での表現学習の力で注目されている。 非常に深いレイヤを積み重ねることのできる畳み込みニューラルネットワーク(CNN)とは異なり、GCNはより深く進むと、勾配の消失、過度なスムース化、過度に適合する問題に悩まされる。 本稿では,非常に深いGCNを正常かつ確実に訓練できるDeeperGCNを提案する。
  論文  参考訳（メタデータ） (2020-06-13T23:00:22Z)
• Cross-GCN: Enhancing Graph Convolutional Network with $k$-Order Feature Interactions [153.6357310444093]
  Graph Convolutional Network(GCN)は,グラフデータの学習と推論を行う新興技術である。 我々は、GCNの既存の設計がクロスフィーチャをモデリングし、クロスフィーチャが重要であるタスクやデータに対してGCNの効率を損なうことを論じている。 我々は、任意の次交叉特徴を、特徴次元と順序サイズに線形に複雑にモデル化した、クロスフィーチャーグラフ畳み込みという新しい演算子を設計する。
  論文  参考訳（メタデータ） (2020-03-05T13:05:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。