基于证据边学习的结构-谱图卷积用于高光谱图像聚类
计算机视觉与模式识别
2025-11-21 v4
摘要
高光谱图像 (HSI) 聚类将像素分组到聚类中无需标记数据，这是一个重要但具有挑战性的任务。对于大规模 HSI，大多数方法依赖超像素分割并基于图神经网络 (GNN) 执行超像素级聚类。然而，现有 GNN 无法充分利用输入 HSI 的光谱信息， inaccurate superpixel 拓扑图可能导致不同类语义在信息聚合期间产生混淆。为解决这些挑战，我们首先针对构成 HSI 超像素的图结构提出结构-谱图卷积算子 (SSGCO)，通过共同提取空间和光谱特征来提高其表示质量。其次，我们提出一种基于证据引导的自适应边学习 (EGAEL) 模块，用于自适应预测和细化超像素拓扑图中的边权。我们将所提方法集成到对比学习框架中实现聚类，其中表示学习和聚类同时进行。实验表明，所提方法在四个 HSI 数据集上相较于最佳比较方法提高了 2.61%、6.06%、4.96% 和 3.15% 的聚类准确率。我们的代码可在 https://github.com/jhqi/SSGCO-EGAEL 获取。
引用
@article{arxiv.2506.09920,
title = {Structural-Spectral Graph Convolution with Evidential Edge Learning for Hyperspectral Image Clustering},
author = {Jianhan Qi and Yuheng Jia and Hui Liu and Junhui Hou},
journal= {arXiv preprint arXiv:2506.09920},
year = {2025}
}