基于超像素的半监督多特征图学习用于高光谱图像数据
计算机视觉与模式识别
2021-11-01 v1 机器学习
摘要
图天然适合于建模高光谱图像（HSI）数据的复杂性，并通过在最近邻之间传播给定标签来作为半监督分类器。在这项工作中，受多视图图学习和图信号处理的启发，我们提出了一种在极少标记数据情况下对HSI数据进行分类的新框架。给定先验超像素分割的高光谱图像，我们寻求一种鲁棒且高效的图构建与标签传播方法来进行半监督学习（SSL）。由于图对后续分类任务的成功至关重要，尤其在HSI数据内在复杂性的背景下，我们考虑寻找最优图来建模此类数据的问题。我们的贡献有两点：首先，我们提出了一种用于HSI数据的多阶段边高效半监督图学习框架，其通过嵌入在图构建中的伪标签特征来利用给定标签信息。其次，我们在前述框架的扩展中，基于伪标签检验并增强了图中嵌入的多个超像素特征的贡献，该扩展较少依赖过量的参数调优。最终，我们通过大量数值实验证明了我们的方法相较于最先进方法的优越性。
引用
@article{arxiv.2104.13268,
title = {Semi-supervised Superpixel-based Multi-Feature Graph Learning for Hyperspectral Image Data},
author = {Madeleine Kotzagiannidis and Carola-Bibiane Schönlieb},
journal= {arXiv preprint arXiv:2104.13268},
year = {2021}
}