基于上下文感知动态图卷积网络的高光谱图像分类
机器学习
2019-09-27 v1 计算机视觉与模式识别
图像与视频处理
机器学习
摘要
在高光谱图像（HSI）分类中，空间上下文已被证明对取得优异性能具有重要意义。然而，传统的基于空间上下文的方法简单地假设空间相邻像素应对应于同一地物类别，因此它们常常无法在复杂情况下正确发现像素间的上下文关系，从而导致在一些不规则或异质区域（如类边界）上分类结果不完善。为解决这一缺陷，我们基于最近提出的图卷积网络（GCN）开发了一种新的 HSI 分类方法，因为 GCN 能够灵活地对任意结构的非欧几里得数据间的关系进行编码。不同于传统 GCN，我们的方法采用了两种新策略以进一步利用上下文关系实现准确的 HSI 分类。首先，由于传统 GCN 的感知域通常局限于相当小的邻域，我们提出通过在由原始二维图像网格变换而来的学习到的区域诱导图上执行连续图卷积，来捕获 HSI 中的长程上下文关系。其次，我们通过学习改进的邻接矩阵和“边滤波器”来精炼图边权重及图像区域间的连接关系，使图逐渐精炼以适配各图卷积层生成的表示。这种更新后的图反过来会产生准确的区域表示，反之亦然。在三个真实世界基准数据集上的实验表明，与一些最先进的方法相比，所提方法在分类性能上取得了显著提升。
引用
@article{arxiv.1909.11953,
title = {Hyperspectral Image Classification With Context-Aware Dynamic Graph Convolutional Network},
author = {Sheng Wan and Chen Gong and Ping Zhong and Shirui Pan and Guangyu Li and Jian Yang},
journal= {arXiv preprint arXiv:1909.11953},
year = {2019}
}