論文の概要: Hyperspectral Image Classification With Contrastive Graph Convolutional Network

• arxiv url: http://arxiv.org/abs/2205.11237v1
• Date: Wed, 11 May 2022 12:06:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-29 20:40:02.136911
• Title: Hyperspectral Image Classification With Contrastive Graph Convolutional Network
• Title（参考訳）: Contrastive Graph Convolutional Network を用いたハイパースペクトル画像分類
• Authors: Wentao Yu, Sheng Wan, Guangyu Li, Jian Yang, Chen Gong
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 38.43072371303967
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, Graph Convolutional Network (GCN) has been widely used in Hyperspectral Image (HSI) classification due to its satisfactory performance. However, the number of labeled pixels is very limited in HSI, and thus the available supervision information is usually insufficient, which will inevitably degrade the representation ability of most existing GCN-based methods. To enhance the feature representation ability, in this paper, a GCN model with contrastive learning is proposed to explore the supervision signals contained in both spectral information and spatial relations, which is termed Contrastive Graph Convolutional Network (ConGCN), for HSI classification. First, in order to mine sufficient supervision signals from spectral information, a semi-supervised contrastive loss function is utilized to maximize the agreement between different views of the same node or the nodes from the same land cover category. Second, to extract the precious yet implicit spatial relations in HSI, a graph generative loss function is leveraged to explore supplementary supervision signals contained in the graph topology. In addition, an adaptive graph augmentation technique is designed to flexibly incorporate the spectral-spatial priors of HSI, which helps facilitate the subsequent contrastive representation learning. The extensive experimental results on four typical benchmark datasets firmly demonstrate the effectiveness of the proposed ConGCN in both qualitative and quantitative aspects.
• Abstract（参考訳）: 近年,グラフ畳み込みネットワーク (GCN) がハイパースペクトル画像 (HSI) 分類で広く利用されている。 しかし、ラベル付きピクセルの数はHSIでは非常に限られているため、利用可能な監視情報は通常不十分であり、既存のGCNベースのメソッドの表現能力は必然的に低下する。 本稿では,コントラストグラフ畳み込みネットワーク(ConGCN, Contrastive Graph Convolutional Network, コントラストグラフ畳み込みネットワーク)と呼ばれる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, コントラスト学習を用いたGCNモデルを提案する。 まず、スペクトル情報から十分な監視信号をマイニングするために、同一のノードの異なるビューと同一のランドカバーカテゴリのノードとの一致を最大化するために、半教師付きコントラスト損失関数を利用する。 第二に、HSIにおける貴重な空間関係を抽出するために、グラフ生成損失関数を利用して、グラフトポロジに含まれる補助的な監視信号を調べる。 さらに,HSIのスペクトル空間的先行を柔軟に組み込むことにより,その後のコントラスト表現学習を支援する適応グラフ拡張手法を考案した。 4つの典型的なベンチマークデータセットの広範な実験結果は、質的および定量的にcongcnの有効性を確証している。

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)
• S2RC-GCN: A Spatial-Spectral Reliable Contrastive Graph Convolutional Network for Complex Land Cover Classification Using Hyperspectral Images [10.579474650543471]
  本研究ではS2RC-GCNという新しい空間スペクトル信頼性コントラストグラフ畳み込み分類フレームワークを提案する。 具体的には、1Dエンコーダと2Dエンコーダによって抽出されたスペクトルと空間の特徴を融合させ、2Dエンコーダは重要な情報を自動抽出するアテンションモデルを含む。 次に、融合した高次特徴を活用してグラフを構築し、結果のグラフをGCNに供給し、より効率的なグラフ表現を決定する。
  論文  参考訳（メタデータ） (2024-04-01T07:17:02Z)
• 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)
• Adaptive Cross-Attention-Driven Spatial-Spectral Graph Convolutional Network for Hyperspectral Image Classification [13.970396987795228]
  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。
  論文  参考訳（メタデータ） (2022-04-12T14:06:11Z)
• 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)
• 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)
• 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)
• AM-GCN: Adaptive Multi-channel Graph Convolutional Networks [85.0332394224503]
  グラフ畳み込みネットワーク(GCN)は,豊富な情報を持つ複雑なグラフにおいて,ノードの特徴と位相構造を最適に統合できるかどうかを検討する。 半教師付き分類(AM-GCN)のための適応型マルチチャネルグラフ畳み込みネットワークを提案する。 実験の結果,AM-GCNはノードの特徴とトポロジ的構造の両方から最も相関性の高い情報を抽出することがわかった。
  論文  参考訳（メタデータ） (2020-07-05T08:16:03Z)
• 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)

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。