論文の概要: MALNISI-Infused Graph Construction and Weighted Contrastive Loss based GAT for Unsupervised Representation Learning in HSI
- arxiv url: http://arxiv.org/abs/2611.17199v1
- Date: Thu, 12 Nov 2026 18:02:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.580889
- Title: MALNISI-Infused Graph Construction and Weighted Contrastive Loss based GAT for Unsupervised Representation Learning in HSI
- Title(参考訳): HSIにおける教師なし表現学習のためのMALNISI融合グラフ構築と重み付きコントラスト損失に基づくGAT
- Abstract要約: グラフニューラルネットワークを用いた教師なし表現学習は、これらの利用特異な複雑なスペクトル関係を明らかにした。
この記事には3つの主な貢献がある。
MALNISI(Mean Absolute Local Neighborhood Inverse Spectral Index)は、2つのピクセル間の類似度を近隣情報に基づいて測定する指標である。
第二に、構築されたグラフからハイパースペクトルデータのコンパクトな潜在表現を学習する改良されたグラフ注意ネットワークを提案する。
- 参考スコア(独自算出の注目度): 1.189955933770711
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hyperspectral images (HSI) possess discriminating spectral characteristics with respect to land utilization due to high-dimensional information. Recently, unsupervised representation learning using graph neural networks has unveiled these utilization-specific complex spectral relations. This article has three main contributions. First, it proposes an index, the Mean Absolute Local Neighborhood Inverse Spectral Index (MALNISI), which measures the similarity between two pixels based on their neighborhood information. The index is used to construct a weighted adjacency matrix, giving the HSI a graph structure. Second, it proposes an upgraded Graph Attention Network that learns compact latent representations of hyperspectral data from the constructed graph. In this network, an enhanced multi-head attention mechanism incorporates the MALNISI weights as an auxiliary feature to emphasize learned attention between neighboring pixels. To alleviate over-smoothing and preserve fine-grained spectral details, the architecture integrates residual connections, skip projections, and feature normalization, which together enhance representation capability, stabilize learning, and accelerate convergence. Third, it proposes a weighted contrastive loss function that incorporates neighborhood-aware MALNISI between connected pixels, encouraging strongly connected pixels in the high-dimensional space to remain close in the latent space, and weakly connected pixels to stay apart. The resulting discriminative low-dimensional embeddings are then clustered using spectral clustering. Experimental analysis on six benchmark HSI datasets demonstrates the efficiency and necessity of the three aforementioned contributions, and the comparative study highlights superior performance over fourteen state-of-the-art approaches.
- Abstract(参考訳): ハイパースペクトル画像(HSI)は,高次元情報による土地利用に関するスペクトル特性を識別する。
近年,グラフニューラルネットワークを用いた教師なし表現学習が,これらの利用特異な複素スペクトル関係を明らかにしている。
この記事には3つの主な貢献がある。
まず,その近傍情報に基づいて2つの画素間の類似度を測定する指標として,平均絶対近傍逆スペクトル指数(MALNISI)を提案する。
この指数は重み付き隣接行列を構成するために用いられ、HSI はグラフ構造を与える。
第二に、構築されたグラフからハイパースペクトルデータのコンパクトな潜在表現を学習する改良されたグラフ注意ネットワークを提案する。
このネットワークでは、MALNISI重みを補助的特徴として組み込んで、隣接する画素間の学習的注意を強調するマルチヘッドアテンション機構が強化されている。
過度に滑らかなスペクトルの詳細を緩和し保存するために、アーキテクチャは残留接続、投射をスキップし、特徴正規化を統合し、表現能力を増強し、学習を安定化し、収束を加速する。
第三に、連結画素間の近傍認識MALNISIを組み込んだ重み付きコントラスト損失関数を提案し、高次元空間における強い連結画素を潜伏空間に近づき、弱い連結画素を離間させる。
結果として生じる識別的低次元埋め込みはスペクトルクラスタリングを用いてクラスタ化される。
6つのベンチマークHSIデータセットの実験分析は、上記の3つのコントリビューションの効率性と必要性を示し、比較研究では、14の最先端アプローチよりも優れたパフォーマンスを示している。
関連論文リスト
- An Enhanced Geometric-Spectral Feature Learning Framework for Airborne Multispectral Point Cloud Classification [51.004475033276215]
2つのMPCデータセットを構築し,航空機搭載型MPC分類の注意点に基づく幾何スペクトル特徴学習フレームワークを提案する。
我々のモデルにおける重要な要素は、空間スペクトル特徴の表現能力を向上するアテンション機構を持つ2ストリーム特徴融合法である。
航空機搭載型MPCデータセットの2つの実験結果から,提案手法の有効性が実証された。
論文 参考訳(メタデータ) (2026-06-08T07:18:38Z) - 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) - 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) - ESSAformer: Efficient Transformer for Hyperspectral Image
Super-resolution [76.7408734079706]
単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。
本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
論文 参考訳(メタデータ) (2023-07-26T07:45:14Z) - Object Detection in Hyperspectral Image via Unified Spectral-Spatial
Feature Aggregation [55.9217962930169]
S2ADetは、高スペクトル画像に固有の豊富なスペクトル情報と空間補完情報を利用する物体検出器である。
S2ADetは既存の最先端メソッドを超え、堅牢で信頼性の高い結果を達成する。
論文 参考訳(メタデータ) (2023-06-14T09:01:50Z) - 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) - 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) - Hyperspectral Image Super-resolution via Deep Progressive Zero-centric
Residual Learning [62.52242684874278]
空間情報とスペクトル情報の相互モダリティ分布が問題となる。
本稿では,PZRes-Netという,新しいテクスライトウェイトなディープニューラルネットワークベースのフレームワークを提案する。
本フレームワークは,高分解能かつテクテッセロ中心の残像を学習し,シーンの空間的詳細を高頻度で表現する。
論文 参考訳(メタデータ) (2020-06-18T06:32:11Z) - 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。