基于自动图学习的多级图卷积网络用于高光谱图像分类
计算机视觉与模式识别
2020-09-22 v1 机器学习
摘要
如今，深度学习方法，尤其是图卷积网络（GCN），在高光谱图像（HSI）分类中展现出令人印象深刻的性能。然而，当前基于 GCN 的方法将图构建与图像分类视为两个独立任务，常导致次优性能。这些方法的另一缺陷是主要关注建模图节点间的局部两两重要性，而缺乏捕获 HSI 全局上下文信息的能力。本文提出一种用于 HSI 分类的带自动图学习的多级 GCN 方法（MGCN-AGL），其可在局部与全局层面自动学习图信息。通过采用注意力机制刻画空间邻域区域间的重要性，可自适应地整合最相关信息以做决策，这有助于编码空间上下文以形成局部层面的图信息。此外，我们利用多路径进行局部级图卷积，以借助 HSI 多样空间上下文的优势并增强所生成表示的表达能力。为重建全局上下文关系，我们的 MGCN-AGL 基于局部层面已生成的具表达力的表示，编码图像区域间的长距离依赖。随后可沿连接远距离区域的重建图边进行推断。最后，自适应融合多级信息以生成网络输出。由此，图学习与图像分类可集成于统一框架并相互促进。在三个真实世界高光谱数据集上进行了充分实验，结果表明其优于最先进方法。
引用
@article{arxiv.2009.09196,
title = {Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification},
author = {Sheng Wan and Chen Gong and Shirui Pan and Jie Yang and Jian Yang},
journal= {arXiv preprint arXiv:2009.09196},
year = {2020}
}