論文の概要: Semi-supervised Superpixel-based Multi-Feature Graph Learning for Hyperspectral Image Data

• arxiv url: http://arxiv.org/abs/2104.13268v1
• Date: Tue, 27 Apr 2021 15:36:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-28 13:36:44.069347
• Title: Semi-supervised Superpixel-based Multi-Feature Graph Learning for Hyperspectral Image Data
• Title（参考訳）: 超スペクトル画像データのための半教師付きスーパーピクセルベース多機能グラフ学習
• Authors: Madeleine Kotzagiannidis, Carola-Bibiane Sch\"onlieb
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graphs naturally lend themselves to model the complexities of Hyperspectral Image (HSI) data as well as to serve as semi-supervised classifiers by propagating given labels among nearest neighbours. In this work, we present a novel framework for the classification of HSI data in light of a very limited amount of labelled data, inspired by multi-view graph learning and graph signal processing. Given an a priori superpixel-segmented hyperspectral image, we seek a robust and efficient graph construction and label propagation method to conduct semi-supervised learning (SSL). Since the graph is paramount to the success of the subsequent classification task, particularly in light of the intrinsic complexity of HSI data, we consider the problem of finding the optimal graph to model such data. Our contribution is two-fold: firstly, we propose a multi-stage edge-efficient semi-supervised graph learning framework for HSI data which exploits given label information through pseudo-label features embedded in the graph construction. Secondly, we examine and enhance the contribution of multiple superpixel features embedded in the graph on the basis of pseudo-labels in an extension of the previous framework, which is less reliant on excessive parameter tuning. Ultimately, we demonstrate the superiority of our approaches in comparison with state-of-the-art methods through extensive numerical experiments.
• Abstract（参考訳）: グラフは自然にハイパースペクトル画像(HSI)データの複雑さをモデル化し、近隣のラベルを伝播することで半教師付き分類器として機能する。 本稿では,多視点グラフ学習とグラフ信号処理に触発された,非常に限られた量のラベル付きデータに照らして,hsiデータの分類のための新しい枠組みを提案する。 従来の超画素分割ハイパースペクトル画像から,半教師付き学習(SSL)を行うための頑健で効率的なグラフ構築とラベル伝搬手法を提案する。 このグラフは,hsiデータの本質的複雑性を考慮し,その後の分類タスクの成功を最重要視するので,それらのデータをモデル化するための最適なグラフを求める問題を考える。 まず、グラフ構築に埋め込まれた擬似ラベル機能を通じて、与えられたラベル情報を利用する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。 次に,先行フレームワークの拡張における擬似ラベルに基づいて,グラフに埋め込まれた複数のスーパーピクセルの特徴の寄与を検証し,拡張する。 最終的に,広範な数値実験により,最先端手法と比較し,提案手法の優位性を実証する。

関連論文リスト

• Learning from Heterogeneity: A Dynamic Learning Framework for Hypergraphs [22.64740740462169]
  本稿では,動的ハイパーエッジ構築と注意深い埋め込み更新が可能なLFHというハイパーグラフ学習フレームワークを提案する。 提案手法の有効性を評価するため,いくつかの一般的なデータセットを対象とした総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-07-07T06:26:44Z)
• High-order Multi-view Clustering for Generic Data [15.764819403555512]
  グラフベースのマルチビュークラスタリングは、ほとんどの非グラフアプローチよりも優れたパフォーマンスを実現している。 本稿では,高次マルチビュークラスタリング (HMvC) という手法を導入し,汎用データのトポロジ構造情報を探索する。
  論文  参考訳（メタデータ） (2022-09-22T07:49:38Z)
• Towards Graph Self-Supervised Learning with Contrastive Adjusted Zooming [48.99614465020678]
  本稿では,グラフコントラスト適応ズームによる自己教師付きグラフ表現学習アルゴリズムを提案する。 このメカニズムにより、G-Zoomはグラフから複数のスケールから自己超越信号を探索して抽出することができる。 我々は,実世界のデータセットに関する広範な実験を行い,提案したモデルが常に最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-20T22:45:53Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• 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)
• 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)
• Diversified Multiscale Graph Learning with Graph Self-Correction [55.43696999424127]
  2つのコア成分を組み込んだ多次元グラフ学習モデルを提案します。 情報埋め込みグラフを生成するグラフ自己補正(GSC)機構、および入力グラフの包括的な特性評価を達成するために多様性ブースト正規化(DBR)。 一般的なグラフ分類ベンチマークの実験は、提案されたGSCメカニズムが最先端のグラフプーリング方法よりも大幅に改善されることを示しています。
  論文  参考訳（メタデータ） (2021-03-17T16:22:24Z)
• Semi-supervised Hyperspectral Image Classification with Graph Clustering Convolutional Networks [41.78245271989529]
  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。
  論文  参考訳（メタデータ） (2020-12-20T14:16:59Z)
• Contrastive and Generative Graph Convolutional Networks for Graph-based Semi-Supervised Learning [64.98816284854067]
  グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。 本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-15T13:59:28Z)

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。