SLCGC：一种用于高光谱图像的轻量级自监督低通对比图聚类网络
图像与视频处理
2025-02-10 v2
摘要
由于缺乏标记数据以及空间-光谱相互作用的固有复杂性，自监督高光谱图像（HSI）聚类仍然是一项基础但具有挑战性的任务。尽管近期研究探索了创新方法，但现有方法在聚类精度、特征判别力、计算效率和噪声鲁棒性方面面临关键限制，阻碍了其实际部署。本文为 HSI 引入了一种自监督高效低通对比图聚类（SLCGC）方法。我们的方法首先进行同质区域生成，将像素聚合到光谱一致的区域，以保留局部空间-光谱一致性，同时大幅降低图复杂度。然后，我们使用邻接矩阵 A 构建结构图，并引入低通图去噪机制来抑制图拓扑中的高频噪声，确保稳定的特征传播。开发了一个双分支图对比学习模块，其中高斯噪声扰动通过两个多层感知机（MLPs）生成增强视图，跨视图对比损失强制视图间的结构一致性，以学习噪声不变表示。最后，通过此过程优化的潜在嵌入通过 K-means 进行聚类。大量实验和重复对比分析验证了我们的 SLCGC 具有高聚类精度、低计算复杂度和强鲁棒性。源代码将在 https://github.com/DY-HYX 上提供。
引用
@article{arxiv.2502.03497,
title = {SLCGC: A lightweight Self-supervised Low-pass Contrastive Graph Clustering Network for Hyperspectral Images},
author = {Yao Ding and Zhili Zhang and Aitao Yang and Yaoming Cai and Xiongwu Xiao and Danfeng Hong and Junsong Yuan},
journal= {arXiv preprint arXiv:2502.03497},
year = {2025}
}
备注
12 pages, 9 figures