論文の概要: Adaptive Cross-Attention-Driven Spatial-Spectral Graph Convolutional Network for Hyperspectral Image Classification

• arxiv url: http://arxiv.org/abs/2204.05823v1
• Date: Tue, 12 Apr 2022 14:06:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-13 16:55:52.251752
• Title: Adaptive Cross-Attention-Driven Spatial-Spectral Graph Convolutional Network 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適応クロスアテンション駆動型空間スペクトルグラフ畳み込みネットワーク
• Authors: Jin-Yu Yang, Heng-Chao Li, Wen-Shuai Hu, and Lei Pan, and Qian Du
• Abstract要約: ACSS-GCNは空間GCNサブネットワーク、スペクトルGCNサブネットワーク、グラフクロスアテンション融合モジュールから構成される。 2つのHSIデータセットに対する実験により,提案手法は他の分類法よりも優れた性能を示した。
• 参考スコア（独自算出の注目度）: 13.970396987795228
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, graph convolutional networks (GCNs) have been developed to explore spatial relationship between pixels, achieving better classification performance of hyperspectral images (HSIs). However, these methods fail to sufficiently leverage the relationship between spectral bands in HSI data. As such, we propose an adaptive cross-attention-driven spatial-spectral graph convolutional network (ACSS-GCN), which is composed of a spatial GCN (Sa-GCN) subnetwork, a spectral GCN (Se-GCN) subnetwork, and a graph cross-attention fusion module (GCAFM). Specifically, Sa-GCN and Se-GCN are proposed to extract the spatial and spectral features by modeling correlations between spatial pixels and between spectral bands, respectively. Then, by integrating attention mechanism into information aggregation of graph, the GCAFM, including three parts, i.e., spatial graph attention block, spectral graph attention block, and fusion block, is designed to fuse the spatial and spectral features and suppress noise interference in Sa-GCN and Se-GCN. Moreover, the idea of the adaptive graph is introduced to explore an optimal graph through back propagation during the training process. Experiments on two HSI data sets show that the proposed method achieves better performance than other classification methods.
• Abstract（参考訳）: 近年,画素間の空間的関係を探索するグラフ畳み込みネットワーク(GCN)が開発され,ハイパースペクトル画像(HSI)の分類性能が向上している。 しかし、これらの手法は、HSIデータにおけるスペクトル帯域間の関係を十分に活用できない。 そこで我々は,空間GCN(Sa-GCN)サブネットワーク,スペクトルGCN(Se-GCN)サブネットワーク,グラフクロスアテンション融合モジュール(GCAFM)で構成される適応型クロスアテンション駆動空間スペクトルグラフ畳み込みネットワーク(ACSS-GCN)を提案する。 具体的には,空間画素間とスペクトル帯域間の相関をモデル化することにより,空間特徴とスペクトル特徴を抽出する。 次に、注意機構をグラフの情報集約に統合することにより、空間グラフ注意ブロック、スペクトルグラフ注意ブロック、融合ブロックの3部を含むgcafmを、空間的及びスペクトル的特徴を融合させ、sa−gcn及びse−gcnにおけるノイズ干渉を抑制するように設計する。 さらに, 学習過程におけるバック伝播を通した最適グラフを探索するために, 適応グラフのアイデアを導入した。 2つのHSIデータセットに対する実験により,提案手法は他の分類法よりも優れた性能を示した。

関連論文リスト

• Spectral Graph Reasoning Network for Hyperspectral Image Classification [0.43512163406551996]
  畳み込みニューラルネットワーク(CNN)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達成した。 本稿では、2つの重要なモジュールからなるスペクトルグラフ推論ネットワーク(SGR)学習フレームワークを提案する。 2つのHSIデータセットの実験により、提案したアーキテクチャが分類精度を大幅に改善できることが示されている。
  論文  参考訳（メタデータ） (2024-07-02T20:29:23Z)
• DCN-T: Dual Context Network with Transformer for Hyperspectral Image Classification [109.09061514799413]
  複雑な撮像条件による空間変動のため,HSI分類は困難である。 本稿では,HSIを高品質な三スペクトル画像に変換する三スペクトル画像生成パイプラインを提案する。 提案手法は,HSI分類における最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-04-19T18:32:52Z)
• Hyperspectral Image Classification With Contrastive Graph Convolutional Network [38.43072371303967]
  スペクトル情報と空間関係の両方に含まれる監視信号を調べるために,比較学習を伴うグラフ畳み込みネットワーク(GCN)モデルを提案する。 4つの典型的なベンチマークデータセットの実験結果は、定性的および定量的両面において提案したConGCNの有効性を確証している。
  論文  参考訳（メタデータ） (2022-05-11T12:06:37Z)
• Hyperspectral Image Segmentation based on Graph Processing over Multilayer Networks [51.15952040322895]
  ハイパースペクトル画像(HSI)処理の1つの重要な課題は、スペクトル空間的特徴の抽出である。 M-GSP特徴抽出に基づくHSIセグメンテーションへのいくつかのアプローチを提案する。 HSI処理とスペクトル空間情報抽出におけるM-GSPの強度を実験的に検証した。
  論文  参考訳（メタデータ） (2021-11-29T23:28:18Z)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)
• 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)
• On the spatial attention in Spatio-Temporal Graph Convolutional Networks for skeleton-based human action recognition [97.14064057840089]
  カルチャーネットワーク(GCN)は、スケルトンをグラフとしてモデル化することで、スケルトンに基づく人間の行動認識の性能を約束する。 最近提案されたG時間に基づく手法のほとんどは、ネットワークの各層におけるグラフ構造を学習することで、性能を向上させる。
  論文  参考訳（メタデータ） (2020-11-07T19:03:04Z)
• 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)
• Scattering GCN: Overcoming Oversmoothness in Graph Convolutional Networks [0.0]
  グラフ畳み込みネットワーク(GCN)は,構造認識の特徴を抽出することによって,グラフデータ処理において有望な結果を示した。 本稿では、幾何学的散乱変換と残差畳み込みによる従来のGCNの増大を提案する。 前者はグラフ信号の帯域通過フィルタリングが可能であり、GCNでしばしば発生する過度な過度な処理を緩和する。
  論文  参考訳（メタデータ） (2020-03-18T18:03:08Z)
• Spectral Pyramid Graph Attention Network for Hyperspectral Image Classification [5.572542792318872]
  畳み込みニューラルネットワーク(CNN)は、ハイパースペクトル画像(HSI)分類において大きな進歩を遂げている。 標準畳み込みカーネルは、データポイント間の本質的な接続を無視し、結果として、領域のデラインが貧弱になり、小さなスプリアス予測がもたらされる。 本稿では,これらの2つの問題に明示的に対処する新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-01-20T13:49:43Z)

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。