ESW边权：用于高光谱图像分类的集成随机分水岭边权
计算机视觉与模式识别
2022-06-15 v1
摘要
高光谱图像(HSI)分类是一个活跃的研究课题。HSI分类的主要挑战之一是缺乏可靠的标记样本。为应对标记样本少的问题，人们提出了多种半监督和无监督分类方法。其中最主要的是图卷积网络(GCN)及其变体。这些方法利用图结构进行半监督和无监督分类。尽管其中若干方法隐式地构造边权，但据我们所知，显式估计边权的工作尚不多见。在本文中，我们显式估计边权，并将其用于下游分类任务——包括半监督与无监督。所提出的边权基于两个关键见解——(a)集成可降低方差；(b)HSI数据集中的类别与特征相似性仅具有单向蕴含关系，即同类别具有相似特征，但相似特征未必意味着同类别。利用这些见解，我们通过特征子样本上分水岭的集成聚合来估计边权。这些边权在半监督与无监督分类任务中均进行了评估。半监督任务的评估采用基于随机游走的方法。对于无监督情形，我们使用图卷积网络(GCN)的一个简单滤波器。在这两种情况下，所提出的边权均优于计算边权的传统方法——欧氏距离与余弦相似度。有趣的是，采用所提出的边权，最简单的GCN取得了与近期最先进(state-of-the-art)结果相当的性能。
引用
@article{arxiv.2202.13502,
title = {ESW Edge-Weights : Ensemble Stochastic Watershed Edge-Weights for Hyperspectral Image Classification},
author = {Rohan Agarwal and Aman Aziz and Aditya Suraj Krishnan and Aditya Challa and Sravan Danda},
journal= {arXiv preprint arXiv:2202.13502},
year = {2022}
}
备注
This article is under review at Geoscience and Remote Sensing Letters. Copyright could be transferred at any time