基于对比图卷积网络的高光谱图像分类
计算机视觉与模式识别
2023-05-03 v1 人工智能
机器学习
摘要
近年来，图卷积网络（GCN）因其令人满意的性能而被广泛应用于高光谱图像（HSI）分类。然而，HSI中标记像素的数量非常有限，因此可用的监督信息通常不足，这不可避免地会降低大多数现有基于GCN的方法的表征能力。为增强特征表征能力，本文提出一种带对比学习的GCN模型，以挖掘光谱信息与空间关系中蕴含的监督信号，称为对比图卷积网络（ConGCN），用于HSI分类。首先，为从光谱信息中挖掘充足的监督信号，采用半监督对比损失函数，以最大化同一节点的不同视图或来自同一地物类别的节点之间的一致性。其次，为提取HSI中宝贵而隐含的空间关系，利用图生成损失函数探索图拓扑中包含的补充监督信号。此外，设计了一种自适应图增强技术，以灵活融入HSI的光谱-空间先验，有助于促进后续的对比表征学习。在四个典型基准数据集上的大量实验结果充分证明了所提ConGCN在定性与定量两方面的有效性。
引用
@article{arxiv.2205.11237,
title = {Hyperspectral Image Classification With Contrastive Graph Convolutional Network},
author = {Wentao Yu and Sheng Wan and Guangyu Li and Jian Yang and Chen Gong},
journal= {arXiv preprint arXiv:2205.11237},
year = {2023}
}