MSHCNet：欧氏/非欧氏空间中融合混合统计的多流混合卷积网络及其在高光谱图像分类中的应用
计算机视觉与模式识别
2021-10-08 v1 人工智能
摘要
众所周知，高光谱图像（HSI）包含丰富的空间-光谱上下文信息，如何利用深度神经网络（DNN）有效结合光谱与空间信息用于HSI分类已成为新的研究热点。与具有方形核的CNN相比，图卷积网络（GCN）在建模空间上下文结构和对任意不规则图像区域进行灵活卷积方面展现出令人振奋的潜力。然而，当前仅使用一阶空间-光谱特征的GCN会导致边界模糊和孤立误分类。为解决这些问题，我们首先设计了基于图的二阶池化（GSOP）操作，以获取非欧氏空间中GCN的上下文节点信息。进一步，我们提出了一种新颖的多流混合卷积网络（MSHCNet），结合欧氏/非欧氏空间中的一阶与二阶统计，以学习和融合多视角互补信息来分割HSI。具体而言，我们的MSHCNet采用四条并行流：G流，利用非欧氏空间中一阶图上相邻地物间的不规则相关性；C流，采用卷积算子学习欧氏空间中的规则空间-光谱特征；N流，结合一阶与二阶特征学习欧氏空间中有代表性和判别性的规则空间-光谱特征；S流，使用GSOP捕获边界相关性并从非欧氏空间图中所有节点获取图表示。此外，从四个不同流学到的特征表示被融合以集成多视角互补信息用于HSI分类。最后，我们在三个高光谱数据集上评估了所提MSHCNet，实验结果表明我们的方法显著优于八种最先进的方法。
引用
@article{arxiv.2110.03346,
title = {MSHCNet: Multi-Stream Hybridized Convolutional Networks with Mixed Statistics in Euclidean/Non-Euclidean Spaces and Its Application to Hyperspectral Image Classification},
author = {Shuang He and Haitong Tang and Xia Lu and Hongjie Yan and Nizhuan Wang},
journal= {arXiv preprint arXiv:2110.03346},
year = {2021}
}