論文の概要: Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image

• arxiv url: http://arxiv.org/abs/2104.11904v1
• Date: Sat, 24 Apr 2021 08:09:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-27 14:41:00.715878
• Title: Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image
• Title（参考訳）: ハイパースペクトル画像のためのアンカーグラフを用いた空間スペクトルクラスタリング
• Authors: Qi Wang, Yanling Miao, Mulin Chen, Xuelong Li
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 88.60285937702304
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hyperspectral image (HSI) clustering, which aims at dividing hyperspectral pixels into clusters, has drawn significant attention in practical applications. Recently, many graph-based clustering methods, which construct an adjacent graph to model the data relationship, have shown dominant performance. However, the high dimensionality of HSI data makes it hard to construct the pairwise adjacent graph. Besides, abundant spatial structures are often overlooked during the clustering procedure. In order to better handle the high dimensionality problem and preserve the spatial structures, this paper proposes a novel unsupervised approach called spatial-spectral clustering with anchor graph (SSCAG) for HSI data clustering. The SSCAG has the following contributions: 1) the anchor graph-based strategy is used to construct a tractable large graph for HSI data, which effectively exploits all data points and reduces the computational complexity; 2) a new similarity metric is presented to embed the spatial-spectral information into the combined adjacent graph, which can mine the intrinsic property structure of HSI data; 3) an effective neighbors assignment strategy is adopted in the optimization, which performs the singular value decomposition (SVD) on the adjacent graph to get solutions efficiently. Extensive experiments on three public HSI datasets show that the proposed SSCAG is competitive against the state-of-the-art approaches.
• Abstract（参考訳）: hyperspectral image (hsi)クラスタリングは、ハイパースペクトラルピクセルをクラスタに分割することを目的としており、実用的な応用において大きな注目を集めている。 近年,データ関係をモデル化するために隣接グラフを構築するグラフベースのクラスタリング手法が多数提案されている。 しかし、hsiデータの高次元化はペアワイズ隣接グラフの構築を困難にしている。 さらに、多くの空間構造はクラスタリングの過程で見過ごされることが多い。 本稿では,高次元問題に対処し,空間構造を保存するために,HSIデータクラスタリングのためのアンカーグラフ(SSCAG)を用いた空間スペクトルクラスタリングという,新しい非教師なし手法を提案する。 The SSCAG has the following contributions: 1) the anchor graph-based strategy is used to construct a tractable large graph for HSI data, which effectively exploits all data points and reduces the computational complexity; 2) a new similarity metric is presented to embed the spatial-spectral information into the combined adjacent graph, which can mine the intrinsic property structure of HSI data; 3) an effective neighbors assignment strategy is adopted in the optimization, which performs the singular value decomposition (SVD) on the adjacent graph to get solutions efficiently. 3つの公開HSIデータセットに対する大規模な実験は、提案されたSSCAGが最先端のアプローチと競合していることを示している。

関連論文リスト

• A Dual Adaptive Assignment Approach for Robust Graph-Based Clustering [18.614842530666834]
  我々は、ロバストグラフベースクラスタリング(RDSA)のためのDual Adaptive Assignment Approachと呼ばれる新しいフレームワークを導入する。 RDSAは3つの主要なコンポーネントから構成される: (i) グラフのトポロジ的特徴とノード属性を効果的に統合するノード埋め込みモジュール、 (ii) ノード割り当てに親和性行列を利用することでグラフモジュラリティを改善する構造ベースのソフトアサインモジュール、 (iii) コミュニティランドマークを識別し、モデルの堅牢性を高めるためにノード割り当てを洗練させるノードベースのソフトアサインモジュール。 この結果から,RDSAはクラスタリングの有効性やロバスト性,適応性など,グラフの種類によって堅牢なクラスタリングを実現していることが明らかとなった。
  論文  参考訳（メタデータ） (2024-10-29T05:18:34Z)
• Multiview Subspace Clustering of Hyperspectral Images based on Graph Convolutional Networks [12.275530282665578]
  本研究では、グラフ畳み込みネットワークに基づくハイスペクトル画像(HSI)のマルチビューサブスペースクラスタリングを提案する。 このモデルは、インディアンパインズ、パヴィア大学、ヒューストンを含む3つの人気のあるHSIデータセットで評価された。 合計で92.38%、93.43%、83.82%の精度を達成し、最先端のクラスタリング法を著しく上回った。
  論文  参考訳（メタデータ） (2024-03-03T10:19:18Z)
• 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)
• Contrastive Multi-view Subspace Clustering of Hyperspectral Images based on Graph Convolutional Networks [14.978666092012856]
  サブスペースクラスタリングは、ハイパースペクトル画像のクラスタリングに有効なアプローチである。 本研究では,グラフ畳み込みネットワークに基づくHSIのマルチビューサブスペースクラスタリングを提案する。 提案手法は,HSIのクラスタリング精度を効果的に向上する。
  論文  参考訳（メタデータ） (2023-12-11T02:22:10Z)
• Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
  本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。 GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。 4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-25T03:54:53Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• 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)
• 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)
• Graph Convolutional Subspace Clustering: A Robust Subspace Clustering Framework for Hyperspectral Image [6.332208511335129]
  本稿では,HSIクラスタリングのための新しいサブスペースクラスタリングフレームワークであるGraph Convolutional Subspace Clustering (GCSC)を提案する。 具体的には、このフレームワークはデータの自己表現性を非ユークリッド領域に再キャストする。 従来のサブスペースクラスタリングモデルはユークリッドデータを用いたフレームワークの特別な形態であることを示す。
  論文  参考訳（メタデータ） (2020-04-22T10:09:19Z)

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。