用于高光谱图像分类的图卷积网络
计算机视觉与模式识别
2021-07-07 v2
摘要
请前往 IEEE Xplore 上的 IEEE TGRS 阅读最终版本。卷积神经网络 (CNNs) 因能够捕获空间-光谱特征表示，在高光谱 (HS) 图像分类中受到越来越多的关注。然而，它们在建模样本间关系方面的能力仍然有限。超越网格采样的局限，图卷积网络 (GCNs) 近期被提出并成功应用于不规则（或非网格）数据的表示与分析。本文中，我们就 HS 图像分类对 CNNs 和 GCNs 进行了定性及定量的深入研究。由于在传统 GCNs 中需在所有数据上构建邻接矩阵，其通常面临巨大的计算开销，尤其在大规模遥感 (RS) 问题中。为此，我们提出了一种新的小批量 GCN（下文称 miniGCN），能够以 mini-batch 方式训练大规模 GCNs。更重要的是，我们的 miniGCN 能够推断样本外数据而无需重新训练网络，并提升分类性能。此外，由于 CNNs 与 GCNs 可提取不同类型的 HS 特征，打破单一模型性能瓶颈的直观方案是将二者融合。鉴于 miniGCNs 可执行批式网络训练（支持 CNNs 与 GCNs 的结合），我们探索了三种融合策略：加性融合、逐元素乘性融合与拼接融合，以衡量所获得的性能增益。在三个 HS 数据集上开展的广泛实验证明了 miniGCNs 相对于 GCNs 的优势，以及所测试融合策略相较于单一 CNN 或 GCN 模型的优越性。为可复现起见，本工作的代码将发布于 https://github.com/danfenghong/IEEE_TGRS_GCN。
引用
@article{arxiv.2008.02457,
title = {Graph Convolutional Networks for Hyperspectral Image Classification},
author = {Danfeng Hong and Lianru Gao and Jing Yao and Bing Zhang and Antonio Plaza and Jocelyn Chanussot},
journal= {arXiv preprint arXiv:2008.02457},
year = {2021}
}