論文の概要: Superpixel Graph Contrastive Clustering with Semantic-Invariant
Augmentations for Hyperspectral Images
- arxiv url: http://arxiv.org/abs/2403.01799v1
- Date: Mon, 4 Mar 2024 07:40:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-06 19:48:21.465634
- Title: Superpixel Graph Contrastive Clustering with Semantic-Invariant
Augmentations for Hyperspectral Images
- Title(参考訳): ハイパースペクトル画像のための意味不変拡張を用いたスーパーピクセルグラフコントラストクラスタリング
- Authors: Jianhan Qi, Yuheng Jia, Hui Liu, Junhui Hou
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 64.72242126879503
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hyperspectral images (HSI) clustering is an important but challenging task.
The state-of-the-art (SOTA) methods usually rely on superpixels, however, they
do not fully utilize the spatial and spectral information in HSI 3-D structure,
and their optimization targets are not clustering-oriented. In this work, we
first use 3-D and 2-D hybrid convolutional neural networks to extract the
high-order spatial and spectral features of HSI through pre-training, and then
design a superpixel graph contrastive clustering (SPGCC) model to learn
discriminative superpixel representations. Reasonable augmented views are
crucial for contrastive clustering, and conventional contrastive learning may
hurt the cluster structure since different samples are pushed away in the
embedding space even if they belong to the same class. In SPGCC, we design two
semantic-invariant data augmentations for HSI superpixels: pixel sampling
augmentation and model weight augmentation. Then sample-level alignment and
clustering-center-level contrast are performed for better intra-class
similarity and inter-class dissimilarity of superpixel embeddings. We perform
clustering and network optimization alternatively. Experimental results on
several HSI datasets verify the advantages of the proposed method, e.g., on
India Pines, our model improves the clustering accuracy from 58.79% to 67.59%
compared to the SOTA method.
- Abstract(参考訳): hyperspectral images (hsi)クラスタリングは重要だが、難しいタスクである。
state-of-the-art (sota) 法は通常スーパーピクセルに依存しているが、hsi 3次元構造における空間的およびスペクトル的情報を十分に活用しておらず、その最適化ターゲットはクラスタリング指向ではない。
本研究では,まず3次元および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の高次空間的およびスペクトル的特徴を事前学習により抽出し,識別可能な超画素表現を学習するスーパーピクセルグラフコントラストクラスタリング(spgcc)モデルの設計を行った。
相関性のある拡張ビューはコントラストクラスタリングに不可欠であり、従来のコントラスト学習は、同じクラスに属する場合でも、異なるサンプルが埋め込み空間にプッシュされるため、クラスタ構造を損なう可能性がある。
SPGCCでは、HSIスーパーピクセルの2つの意味不変データ拡張(ピクセルサンプリング増倍)とモデルウェイト増倍(モデルウェイト増倍)を設計する。
次に, サンプルレベルのアライメントとクラスタリング中心レベルのコントラストを用いて, 超画素埋め込みのクラス内類似度とクラス間異性度を改善する。
代わりにクラスタリングとネットワーク最適化を行います。
いくつかのHSIデータセットによる実験結果から,提案手法の利点を検証し,例えばインドパインズでは,SOTA法と比較してクラスタリング精度が58.79%から67.59%に向上した。
関連論文リスト
- Hierarchical Homogeneity-Based Superpixel Segmentation: Application to Hyperspectral Image Analysis [11.612069983959985]
ハイパースペクトルデータの処理に有効なマルチスケールスーパーピクセル法を提案する。
提案された階層的アプローチは、可変サイズの超画素を導くが、スペクトルの均一性は高い。
評価のために、スペクトルアンミックスおよび分類タスクにおける前処理ステップとして、同質性に基づく階層法を適用した。
論文 参考訳(メタデータ) (2024-07-22T01:20:32Z) - 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) - 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) - 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) - 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) - Learning A 3D-CNN and Transformer Prior for Hyperspectral Image
Super-Resolution [80.93870349019332]
本稿では,CNN の代わりに Transformer を用いて HSI の事前学習を行う新しい HSISR 手法を提案する。
具体的には、まず勾配アルゴリズムを用いてHSISRモデルを解き、次に展開ネットワークを用いて反復解過程をシミュレートする。
論文 参考訳(メタデータ) (2021-11-27T15:38:57Z) - Large-Scale Hyperspectral Image Clustering Using Contrastive Learning [18.473767002905433]
SSCC(Spectral-Spatial Contrastive Clustering)という,スケーラブルなオンラインクラスタリングモデルを提案する。
我々は、スペクトル空間拡張プールから二重コントラスト学習を行うために、クラスタ番号の次元を持つ投影ヘッドからなる対称双対ニューラルネットワークを利用する。
結果として得られたアプローチは、バッチワイズ最適化によってエンドツーエンドでトレーニングされ、大規模なデータで堅牢になり、見当たらないデータに対して優れた一般化能力が得られる。
論文 参考訳(メタデータ) (2021-11-15T17:50:06Z) - Superpixel-guided Discriminative Low-rank Representation of
Hyperspectral Images for Classification [49.32130776974202]
SP-DLRRは2つのモジュール、すなわち分類誘導スーパーピクセルセグメンテーションと識別低ランク表現で構成されている。
3つのベンチマークデータセットの実験結果から,SP-DLRRが最先端手法よりも有意な優位性を示した。
論文 参考訳(メタデータ) (2021-08-25T10:47:26Z) - Hyperspectral Pansharpening Based on Improved Deep Image Prior and
Residual Reconstruction [64.10636296274168]
高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能化
近年,深層畳み込みネットワーク(ConvNets)を用いたHSパンシャープ法が注目に値する結果を得た。
深層層の増加を抑えることで高レベルの特徴を学習することに焦点を当てた,新しいオーバーコンプリートネットワークHyperKiteを提案する。
論文 参考訳(メタデータ) (2021-07-06T14:11:03Z) - 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)
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。