量子信息赋能的图神经网络用于高光谱变化检测
计算机视觉与模式识别
2024-11-13 v1 图像与视频处理
摘要
变化检测（CD）是一种关键的遥感技术，用于识别地球表面随时间的变化。高光谱图像（HSI）卓越的物质识别能力显著提高了检测精度，使高光谱变化检测（HCD）成为一项必不可少的技术。通过利用高光谱图像的图结构，检测精度可进一步提升，这促使我们采用图神经网络（GNN）来解决HCD问题。本文首次将量子深度网络（QUEEN）引入HCD。与GNN和CNN均提取仿射计算特征不同，QUEEN提供了根本不同的酉计算特征。我们证明，通过酉特征提取过程，QUEEN为判断是否发生变化提供了全新的信息。层次上，图特征学习（GFL）模块在超像素层面利用双时相高光谱图像的图结构，而量子特征学习（QFL）模块在像素层面学习量子特征，作为GFL的补充，保留了超像素中未保留的像素级详细空间信息。在最终分类阶段，设计了一个量子分类器与传统全连接分类器协同工作。所提出的QUEEN赋能的GNN（即QUEEN-G）的优越HCD性能将在真实高光谱数据集上通过实验加以证明。
引用
@article{arxiv.2411.07608,
title = {Quantum Information-Empowered Graph Neural Network for Hyperspectral Change Detection},
author = {Chia-Hsiang Lin and Tzu-Hsuan Lin and Jocelyn Chanussot},
journal= {arXiv preprint arXiv:2411.07608},
year = {2024}
}
备注
This work has been accepted by IEEE Transactions on Geoscience and Remote Sensing (TGRS)