論文の概要: Semi-supervised Hyperspectral Image Classification with Graph Clustering Convolutional Networks

• arxiv url: http://arxiv.org/abs/2012.10932v1
• Date: Sun, 20 Dec 2020 14:16:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-01 04:41:06.201213
• Title: Semi-supervised Hyperspectral Image Classification with Graph Clustering Convolutional Networks
• Title（参考訳）: グラフクラスタリング畳み込みネットワークを用いた半教師付きハイパースペクトル画像分類
• Authors: Hao Zeng and Qingjie Liu and Mingming Zhang and Xiaoqing Han and Yunhong Wang
• Abstract要約: HSI分類のためのグラフ畳み込みネットワーク(GCN)に基づくフレームワークを提案する。 特に、類似のスペクトル特徴を持つ画素をスーパーピクセルにまずクラスターし、入力したhsiのスーパーピクセルに基づいてグラフを構築する。 その後、エッジを弱い重みで刻むことでいくつかの部分グラフに分割し、高い類似性を持つノードの相関性を強化する。
• 参考スコア（独自算出の注目度）: 41.78245271989529
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hyperspectral image classification (HIC) is an important but challenging task, and a problem that limits the algorithmic development in this field is that the ground truths of hyperspectral images (HSIs) are extremely hard to obtain. Recently a handful of HIC methods are developed based on the graph convolution networks (GCNs), which effectively relieves the scarcity of labeled data for deep learning based HIC methods. To further lift the classification performance, in this work we propose a graph convolution network (GCN) based framework for HSI classification that uses two clustering operations to better exploit multi-hop node correlations and also effectively reduce graph size. In particular, we first cluster the pixels with similar spectral features into a superpixel and build the graph based on the superpixels of the input HSI. Then instead of performing convolution over this superpixel graph, we further partition it into several sub-graphs by pruning the edges with weak weights, so as to strengthen the correlations of nodes with high similarity. This second round of clustering also further reduces the graph size, thus reducing the computation burden of graph convolution. Experimental results on three widely used benchmark datasets well prove the effectiveness of our proposed framework.
• Abstract（参考訳）: ハイパースペクトラル画像分類(hic)は重要ではあるが困難な課題であり、この分野におけるアルゴリズム開発を制限する問題は、ハイパースペクトラル画像(hsis)の基底的真理を得ることが極めて難しいことである。 近年,グラフ畳み込みネットワーク(GCN)に基づくHIC手法が開発され,深層学習に基づくHIC手法においてラベル付きデータの不足を効果的に軽減している。 分類性能をさらに高めるために,HSI分類のためのグラフ畳み込みネットワーク(GCN)ベースのフレームワークを提案する。 特に、類似のスペクトル特徴を持つ画素をスーパーピクセルにまずクラスターし、入力したhsiのスーパーピクセルに基づいてグラフを構築する。 そして、この超画素グラフ上で畳み込みを行う代わりに、エッジを弱い重みで刈り上げ、高い類似性を持つノードの相関を強化することにより、さらにいくつかの部分グラフに分割する。 この第2ラウンドのクラスタリングは、グラフのサイズをさらに削減し、グラフ畳み込みの計算負荷を削減する。 3つのベンチマークデータセットにおける実験結果から,提案フレームワークの有効性が実証された。

関連論文リスト

• Spectral Greedy Coresets for Graph Neural Networks [61.24300262316091]
  ノード分類タスクにおける大規模グラフの利用は、グラフニューラルネットワーク(GNN)の現実的な応用を妨げる 本稿では,GNNのグラフコアセットについて検討し,スペクトル埋め込みに基づくエゴグラフの選択により相互依存の問題を回避する。 我々のスペクトルグレディグラフコアセット(SGGC)は、数百万のノードを持つグラフにスケールし、モデル事前学習の必要性を排除し、低ホモフィリーグラフに適用する。
  論文  参考訳（メタデータ） (2024-05-27T17:52:12Z)
• Superpixel Graph Contrastive Clustering with Semantic-Invariant Augmentations for Hyperspectral Images [64.72242126879503]
  ハイパースペクトル画像(HSI)クラスタリングは重要な課題だが難しい課題である。 まず3次元と2次元のハイブリッド畳み込みニューラルネットワークを用いてHSIの高次空間およびスペクトルの特徴を抽出する。 次に,超画素グラフの対比クラスタリングモデルを設計し,識別的超画素表現を学習する。
  論文  参考訳（メタデータ） (2024-03-04T07:40:55Z)
• 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)
• Superpixel-based and Spatially-regularized Diffusion Learning for Unsupervised Hyperspectral Image Clustering [4.643572021927615]
  本稿では,新しい教師なしHSIクラスタリングアルゴリズム,スーパーピクセルベースおよび空間正規化拡散学習(S2DL)を提案する。 S2DLは、HSIに符号化された豊富な空間情報を拡散幾何学に基づくクラスタリングに組み込む。 S2DLのパフォーマンスは、公開されている実世界の3つのHSIに関する広範な実験で説明されている。
  論文  参考訳（メタデータ） (2023-12-24T09:54:40Z)
• Adaptive Fusion Affinity Graph with Noise-free Online Low-rank Representation for Natural Image Segmentation [3.7189024338041836]
  本稿では,自然画像分割のための適応アフィニティ融合グラフ(AFAグラフ)を提案する。 BSD300、BSD500、MSRC、PASCAL VOCの実験結果は、最先端のアプローチと比較してAFAグラフの有効性を示している。
  論文  参考訳（メタデータ） (2021-10-22T10:15:27Z)
• Semi-supervised Superpixel-based Multi-Feature Graph Learning for Hyperspectral Image Data [0.0]
  超スペクトル画像(hsi)データの非常に限られた量のラベル付きデータに照らして分類するための新しい枠組みを提案する。 HSIデータのための多段階エッジ効率半教師付きグラフ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-27T15:36:26Z)
• Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
  本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。 提案されたSSCAGは最先端のアプローチと競合する。
  論文  参考訳（メタデータ） (2021-04-24T08:09:27Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  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。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)
• Adaptive Graph Convolutional Network with Attention Graph Clustering for Co-saliency Detection [35.23956785670788]
  注目グラフクラスタリング(GCAGC)を用いた新しい適応グラフ畳み込みネットワークを提案する。 注意グラフクラスタリングアルゴリズムを開発し、教師なしの方法で全前景オブジェクトから共通オブジェクトを識別する。 提案手法を3つのコサリエンシ検出ベンチマークデータセット上で評価した。
  論文  参考訳（メタデータ） (2020-03-13T09:35:59Z)

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。