用于高光谱图像聚类的像素-超像素对比学习与伪标签校正
计算机视觉与模式识别
2023-12-18 v1 人工智能
摘要
高光谱图像（HSI）聚类正受到广泛关注，这得益于近期克服了因缺乏监督信息而导致的低效和误导结果的方法。对比学习方法在现有的像素级和超像素级 HSI 聚类任务中表现出色。像素级对比学习方法能有效提升模型捕获 HSI 细粒度特征的能力，但需要大量时间开销。超像素级对比学习方法利用 HSI 的同质性并减少了计算资源，然而它会产生粗糙的分类结果。为了发挥两种方法的优势，我们提出了一种用于 HSI 聚类的像素-超像素对比学习与伪标签校正（PSCPC）方法。PSCPC 能够通过超像素以及超像素内部少量像素的对比学习，合理地捕获特定领域和细粒度的特征。为了提高超像素的聚类性能，本文提出了一种伪标签校正模块，以对齐像素和超像素的聚类伪标签。此外，利用像素级聚类结果来监督超像素级聚类，提高了模型的泛化能力。大量实验证明了 PSCPC 的有效性和高效性。
引用
@article{arxiv.2312.09630,
title = {Pixel-Superpixel Contrastive Learning and Pseudo-Label Correction for Hyperspectral Image Clustering},
author = {Renxiang Guan and Zihao Li and Xianju Li and Chang Tang},
journal= {arXiv preprint arXiv:2312.09630},
year = {2023}
}
备注
Accepted at IEEE ICASSP 2024