論文の概要: DAPGNet: Dynamic Adaptive Physics-Guided Graph Diffusion Network for Hyperspectral Image Classification

• arxiv url: http://arxiv.org/abs/2607.15128v1
• Date: Thu, 16 Jul 2026 15:37:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.159852
• Title: DAPGNet: Dynamic Adaptive Physics-Guided Graph Diffusion Network for Hyperspectral Image Classification
• Title（参考訳）: DAPGNet:ハイパースペクトル画像分類のための動的適応物理誘導グラフ拡散ネットワーク
• Abstract要約: 本稿では動的適応物理誘導グラフ拡散ネットワークDAPGNetを提案する。 構造制約付き物理事前を関係レベルグラフ学習に注入する。 CNN-、Transformer-、Mamba-、グラフベースのベースラインで最高のOA、AA、Kappaを実現している。
• 参考スコア（独自算出の注目度）: 15.475574868780567
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hyperspectral image (HSI) classification requires reliable pixel-relation modeling under spectral variability, mixed pixels, and heterogeneous boundaries. Existing graph-based HSI classifiers usually construct graph topology from spatial proximity, superpixel connectivity, or learned feature affinity. However, the spectral physical prior carried by contiguous bands has limited influence on topology estimation and message propagation. This paper presents DAPGNet, a dynamic adaptive physics-guided graph diffusion network that injects a structure-constrained physical prior into relation-level graph learning. DAPGNet first encodes contiguous spectral responses into node-wise multiscale physical-prior representations. A two-stage graph constructor then combines spectral-spatial affinity, physical-prior consistency, and spatial distance to form a physical-prior-aware sparse topology. During graph diffusion, learned edge weights are transformed into additive attention biases, while a physical gate performs node-wise and feature-wise interpolation between graph-aggregated features and projected physical-prior features. Cross-scale fusion integrates node states from different diffusion depths, and the network is optimized with main classification, auxiliary supervision, and second-order spectral smoothness regularization. Experiments on Indian Pines, WHU-Hi-LongKou, Houston2013, and Houston2018 show that DAPGNet achieves the best OA, AA, and Kappa among representative CNN-, Transformer-, Mamba-, and graph-based baselines. It improves AA over the strongest competing method by 3.64 to 7.31 percentage points across the four datasets. Ablation and sensitivity analyses further support the complementary effects of physical-prior extraction, prior-aware topology construction, physics-gated propagation, and spectral smoothness regularization.
• Abstract（参考訳）: ハイパースペクトル画像(HSI)分類は、スペクトル可変性、混合画素、不均一境界の下での信頼性の高い画素相関モデリングを必要とする。 既存のグラフベースのHSI分類器は、通常、空間的近接性、スーパーピクセル接続性、あるいは学習された特徴親和性からグラフトポロジーを構築する。 しかし、連続帯域によるスペクトル物理先行は、トポロジー推定とメッセージ伝搬に限られた影響を及ぼす。 本稿では,動的適応物理誘導グラフ拡散ネットワークであるDAPGNetについて述べる。 DAPGNetはまず、連続したスペクトル応答をノード単位の多スケール物理-主表現に符号化する。 2段グラフコンストラクタは、スペクトル-空間親和性、物理-プライア整合性、空間距離を組み合わせて、物理-プライア対応スパーストポロジーを形成する。 グラフ拡散中、学習されたエッジウェイトは付加的なアテンションバイアスに変換され、物理ゲートはグラフ集約特徴と投影された物理プリア特徴との間のノードワイドおよび特徴ワイドの補間を行う。 クロススケール融合は、異なる拡散深さからのノード状態を統合し、ネットワークは主分類、補助監督、二階スペクトルスムーズネス正規化に最適化されている。 インドパインズ、WHU-Hi-LongKou、ヒューストン2013、ヒューストン2018の実験では、DAPGNetはCNN-、Transformer-、Mamba-、グラフベースのベースラインの中で最高のOA、AA、Kappaを達成している。 最強の競合法よりもAAを3.64から7.31ポイント改善している。 アブレーションと感度分析は、物理的優先抽出、事前認識トポロジーの構築、物理ゲート伝搬、スペクトルの滑らか度正規化の相補効果をさらに支持する。

関連論文リスト

• Physics-Guided Dual-Stream Heterogeneous Graph Neural Network for Predicting Full-Field Structural Response of Stiffened Panels [0.0]
  大規模で複雑な構造の反復的な設計と最適化には、応力、変位、その他の分野の高速かつ正確な予測が必要である。 既存のニューラルネットワークは、様々なトポロジや複雑な境界条件に悩まされることが多い。 本研究では,薄肉構造物のフルフィールド応力と変位予測のための新しいDualStream Heterogeneous Graph Neural Network (DS-HGNN)を提案する。
  論文  参考訳（メタデータ） (2026-06-18T20:12:18Z)
• Spectral Flow Certificates for Depth-Aware Long-Range Propagation in Graph Neural Networks [0.0]
  グラフニューラルネットワークは、ローカルメッセージパッシングを通じて情報を伝達するが、グラフトポロジ自体が、長時間のタスクを解決するためのトレーニングを静かに防止することができる。 グラフの正規化ラプラシアンから数秒で計算される単一スカラーであるスペクトルフロー認証(SFC)を提案する。 SFCは、訓練されたGNN長距離精度の2倍以上のばらつきを説明できる。
  論文  参考訳（メタデータ） (2026-05-16T19:55:28Z)
• Hierarchical Multi-Scale Graph Neural Networks: Scalable Heterophilous Learning with Oversmoothing and Oversquashing Mitigation [0.0]
  Hierarchical Multi-view HAAR (HMH) は、ほぼ直線時間でスケールする新しいグラフ学習フレームワークである。 HMHは最先端のスペクトルベースラインを上回り、ノード分類が最大3%改善し、グラフ分類データセットが7%向上した。
  論文  参考訳（メタデータ） (2026-05-08T22:35:17Z)
• Which Graph Shift Operator? A Spectral Answer to an Empirical Question [2.0917449835910404]
  入力信号とラベル部分空間の間の幾何学的歪みを定量化する新しいアライメントゲイン計量を導入する。 我々の理論的解析は、このアライメントをリプシッツ定数のスペクトルプロキシを介して一般化境界に直結させる。 これにより、計算をランク付けし、トレーニング前の任意の予測タスクに対して最適なGSOを選択するという、原則的かつ効率的な基準が得られる。
  論文  参考訳（メタデータ） (2026-02-06T09:59:54Z)
• Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
  ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。 本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
  論文  参考訳（メタデータ） (2024-11-21T14:19:32Z)
• EvoMesh: Adaptive Physical Simulation with Hierarchical Graph Evolutions [61.89682310797067]
  EvoMeshは、グラフ階層と物理力学を共同で学習する、完全に差別化可能なフレームワークである。 EvoMeshは、最近の固定階層メッセージパッシングネットワークよりも大きなマージンで優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-03T15:18:00Z)
• Skeleton-Parted Graph Scattering Networks for 3D Human Motion Prediction [120.08257447708503]
  体-関節関係をモデル化するグラフ畳み込みネットワークに基づく手法は,最近3次元骨格に基づく人間の動作予測において大きな可能性を示唆している。 骨格分割グラフ散乱ネットワーク(SPGSN)を提案する。 SPGSNは、Human3.6M、CMU Mocap、および3DPWデータセット上で、関節位置誤差(MPJPE)当たりの3D平均の13.8%、9.3%、および2.7%の差で最先端の手法を上回っている。
  論文  参考訳（メタデータ） (2022-07-31T05:51:39Z)
• Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
  本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。 GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
  論文  参考訳（メタデータ） (2022-05-07T04:11:23Z)
• Improving Spectral Graph Convolution for Learning Graph-level Representation [27.76697047602983]
  グラフ全体の表現を学習するためには,ノード間の基本的な関係を特徴付けるため,位相的距離が必要と考えられる。 グラフフィルタの制限を取り除くことで、新たなアーキテクチャによってグラフ表現の学習のパフォーマンスが大幅に向上する。 これは、よく知られたスペクトル/ローパスフィルタと比較して、入力信号に対するスペクトルの影響を定量的に測定する理解として機能する。
  論文  参考訳（メタデータ） (2021-12-14T04:50:46Z)
• Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph Wavelets [81.63035727821145]
  スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。 本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2021-08-03T17:57:53Z)
• 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)
• Graph Networks with Spectral Message Passing [1.0742675209112622]
  本稿では,空間領域とスペクトル領域の両方にメッセージパッシングを適用するSpectral Graph Networkを紹介する。 その結果,spectrum gnは効率のよいトレーニングを促進し,より多くのパラメータを持つにもかかわらず,少ないトレーニングイテレーションで高いパフォーマンスを達成できることがわかった。
  論文  参考訳（メタデータ） (2020-12-31T21:33:17Z)
• CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
  CatGCNはグラフ学習に適したノード機能である。 エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
  論文  参考訳（メタデータ） (2020-09-11T09:25:17Z)

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。