面向高光谱图像的具有语义不变增强的超像素图对比聚类
计算机视觉与模式识别
2025-09-23 v2
摘要
高光谱图像 (HSI) 聚类是一项重要但具有挑战性的任务。最先进的 (SOTA) 方法通常依赖超像素，然而，它们并未充分利用 HSI 三维结构中的空间和光谱信息，且其优化目标并非面向聚类。在本工作中，我们首先使用三维和二维混合卷积神经网络通过预训练提取 HSI 的高阶空间和光谱特征，然后设计超像素图对比聚类 (SPGCC) 模型来学习具有判别力的超像素表示。合理的增强视图对于对比聚类至关重要，而传统的对比学习可能会破坏聚类结构，因为即使不同样本属于同一类，它们在嵌入空间中也会被推远。在 SPGCC 中，我们为 HSI 超像素设计了两种语义不变的数据增强：像素采样增强和模型权重增强。然后进行样本级对齐和聚类中心级对比，以获得更好的超像素嵌入的类内相似性和类间差异性。我们交替进行聚类和网络优化。在多个 HSI 数据集上的实验结果验证了所提出的 SPGCC 相比 SOTA 方法的优势。我们的代码可在 https://github.com/jhqi/spgcc 获取。
引用
@article{arxiv.2403.01799,
title = {Superpixel Graph Contrastive Clustering with Semantic-Invariant Augmentations for Hyperspectral Images},
author = {Jianhan Qi and Yuheng Jia and Hui Liu and Junhui Hou},
journal= {arXiv preprint arXiv:2403.01799},
year = {2025}
}