論文の概要: Multi-Level Graph Convolutional Network with Automatic Graph Learning
for Hyperspectral Image Classification
- arxiv url: http://arxiv.org/abs/2009.09196v1
- Date: Sat, 19 Sep 2020 09:26:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-16 21:01:10.094097
- Title: Multi-Level Graph Convolutional Network with Automatic Graph Learning
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自動グラフ学習によるマルチレベルグラフ畳み込みネットワーク
- Authors: Sheng Wan and Chen Gong and Shirui Pan and Jie Yang and Jian Yang
- Abstract要約: HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。
空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。
MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
- 参考スコア（独自算出の注目度）: 63.56018768401328
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Nowadays, deep learning methods, especially the Graph Convolutional Network
(GCN), have shown impressive performance in hyperspectral image (HSI)
classification. However, the current GCN-based methods treat graph construction
and image classification as two separate tasks, which often results in
suboptimal performance. Another defect of these methods is that they mainly
focus on modeling the local pairwise importance between graph nodes while lack
the capability to capture the global contextual information of HSI. In this
paper, we propose a Multi-level GCN with Automatic Graph Learning method
(MGCN-AGL) for HSI classification, which can automatically learn the graph
information at both local and global levels. By employing attention mechanism
to characterize the importance among spatially neighboring regions, the most
relevant information can be adaptively incorporated to make decisions, which
helps encode the spatial context to form the graph information at local level.
Moreover, we utilize multiple pathways for local-level graph convolution, in
order to leverage the merits from the diverse spatial context of HSI and to
enhance the expressive power of the generated representations. To reconstruct
the global contextual relations, our MGCN-AGL encodes the long range
dependencies among image regions based on the expressive representations that
have been produced at local level. Then inference can be performed along the
reconstructed graph edges connecting faraway regions. Finally, the multi-level
information is adaptively fused to generate the network output. In this means,
the graph learning and image classification can be integrated into a unified
framework and benefit each other. Extensive experiments have been conducted on
three real-world hyperspectral datasets, which are shown to outperform the
state-of-the-art methods.
- Abstract（参考訳）: 近年,ディープラーニング,特にグラフ畳み込みネットワーク(GCN)は,ハイパースペクトル画像(HSI)分類において顕著な性能を示している。
しかし、現在のGCNベースの手法では、グラフ構築と画像分類を2つの別々のタスクとして扱い、しばしば準最適性能をもたらす。
これらの手法のもう一つの欠点は、主にグラフノード間の局所的なペアワイズの重要性をモデル化する一方で、HSIのグローバルなコンテキスト情報をキャプチャする能力に欠けることである。
本稿では,hsi分類のための自動グラフ学習法(mgcn-agl)を備えた多レベルgcnを提案する。
注意機構を用いて空間隣接領域間の重要度を特徴付けることにより、最も関連性の高い情報を適応的に組み込んで意思決定を行うことで、空間コンテキストをエンコードして局所レベルでグラフ情報を形成することができる。
さらに,HSIの多様な空間的文脈から得られるメリットを活用し,生成した表現の表現力を高めるために,局所レベルのグラフ畳み込みに複数の経路を利用する。
グローバルな文脈関係を再構築するために、mgcn-aglは、局所レベルで生成された表現表現に基づいて、画像領域間の長距離依存性を符号化する。
そして、遠方領域を接続する再構成グラフエッジに沿って推論を行う。
そして、マルチレベル情報を適応的に融合してネットワーク出力を生成する。
すなわち、グラフ学習と画像分類は統合されたフレームワークに統合され、相互に恩恵を受けることができる。
3つの実世界のハイパースペクトルデータセットで大規模な実験が行われ、最先端の手法よりも優れていることが示されている。
関連論文リスト
- Multi-level Graph Subspace Contrastive Learning for Hyperspectral Image Clustering [16.027471624621924]
本研究では,HSIクラスタリングのためのマルチレベルグラフサブスペースコントラスト学習(MLGSC)を提案する。
提案したモデルは、Indian Pines、Pavia University、Houston、Xu Zhouの4つの人気のあるHSIデータセットで評価されている。
全体のアキュラシーは97.75%、99.96%、92.28%、95.73%であり、現在の最先端クラスタリング法よりもかなり優れている。
論文 参考訳（メタデータ） (2024-04-08T05:50:46Z) - Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。
モデルはGCNを適用するために初期グラフを事前に推定する。
一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
論文 参考訳（メタデータ） (2024-02-25T07:03:37Z) - DGNN: Decoupled Graph Neural Networks with Structural Consistency
between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。
ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。
複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文 参考訳（メタデータ） (2024-01-28T06:43:13Z) - Weakly Supervised Semantic Segmentation by Knowledge Graph Inference [11.056545020611397]
本稿では、Wakly Supervised Semantic (WSSS)を強化するグラフ推論に基づくアプローチを提案する。
本研究の目的は,マルチラベル分類とセグメンテーションネットワークの段階を同時に拡張することで,WSSSを全体的改善することである。
PASCAL VOC 2012およびMS-COCOデータセット上でWSSSの最先端性能を達成した。
論文 参考訳（メタデータ） (2023-09-25T11:50:19Z) - Local Structure-aware Graph Contrastive Representation Learning [12.554113138406688]
複数のビューからノードの構造情報をモデル化するための局所構造対応グラフ比較表現学習法(LS-GCL)を提案する。
ローカルビューでは、各ターゲットノードのセマンティックサブグラフが共有GNNエンコーダに入力され、サブグラフレベルに埋め込まれたターゲットノードを取得する。
グローバルな視点では、元のグラフはノードの必要不可欠な意味情報を保存しているので、共有GNNエンコーダを利用して、グローバルなグラフレベルでターゲットノードの埋め込みを学習する。
論文 参考訳（メタデータ） (2023-08-07T03:23:46Z) - Graph Representation Learning via Contrasting Cluster Assignments [57.87743170674533]
GRCCAと呼ばれるクラスタ割り当てを対比して、教師なしグラフ表現モデルを提案する。
クラスタリングアルゴリズムとコントラスト学習を組み合わせることで、局所的およびグローバルな情報を合成的にうまく活用する動機付けがある。
GRCCAは、ほとんどのタスクにおいて強力な競争力を持っている。
論文 参考訳（メタデータ） (2021-12-15T07:28:58Z) - Spatial-spectral Hyperspectral Image Classification via Multiple Random
Anchor Graphs Ensemble Learning [88.60285937702304]
本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。
まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。
次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
論文 参考訳（メタデータ） (2021-03-25T09:31:41Z) - Deep graph learning for semi-supervised classification [11.260083018676548]
グラフ学習(GL)は、グラフ畳み込みネットワーク(GCN)に基づくデータの分布構造(グラフ構造)を動的に捉えることができる
既存の手法は主に計算層と関連する損失をGCNに組み合わせ、グローバルグラフや局所グラフを探索する。
半教師付き分類において,より優れたグラフ表現を求めるためにディープグラフ学習(DGL)を提案する。
論文 参考訳（メタデータ） (2020-05-29T05:59:45Z) - Tensor Graph Convolutional Networks for Multi-relational and Robust
Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。
提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文 参考訳（メタデータ） (2020-03-15T02:33:21Z)
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。