May, 2022

对比图卷积网络用于高光谱图像分类

PDF
TL;DR本文提出了一种基于对比学习的图卷积网络模型（ConGCN）来增强高光谱图像分类任务的特征表示能力，通过使用半监督对比损失函数和图生成损失函数从光谱信息和空间关系中挖掘出最大的监督信号。实验结果表明，该模型在四个典型的基准数据集上取得了显著的性能提升。
graph convolutional networkhyperspectral imagecontrastive learningsemi-supervised contrastive loss functiongraph generative loss function
发现论文，激发创造
  • S2RC-GCN：一种基于高光谱影像的空间 - 光谱可靠对比图卷积网络用于复杂土地覆盖分类

    提出了一种名为 S2RC-GCN 的新型空间光谱可靠对比图卷积分类框架，通过融合一维和二维编码器提取的光谱和空间特征，构建图形并将其输入到图卷积网络中以确定更有效的图形表示，进一步提出了一种可靠的对比图卷积方法以学习和融合鲁棒特征，测试结果表明该模型在复杂对象分类方面取得了最佳效果，有效提高了复杂遥感图像的分类性能。

    Apr, 2024

  • 基于图卷积网络的高光谱图像分类

    探讨使用最小批次图卷积网络和融合策略，对高光谱图像进行分类识别的性能提升。

    Aug, 2020

  • 自适应交叉注意力空间 - 光谱图卷积网络用于高光谱图像分类

    提出了一种自适应的空间 - 光谱图卷积网络，其中包括一个空间图卷积子网络、一个光谱图卷积子网络和一个图交叉注意力融合模块，通过加入注意力机制，融合了空间和光谱特征，并探索了优化图形的思想，在两个高光谱图像数据集上实验证明了该方法比其他分类方法具有更好的性能。

    Apr, 2022

  • 光谱图推理网络用于高光谱图像分类

    我们提出了一种谱图推理网络 (SGR) 学习框架，通过谱解耦模块和谱集成模块，有效利用高光谱图像进行分类，取得了显著的性能提升。

    Jul, 2024

  • 基于生成对抗网络和概率图模型的高光谱图像分类

    本文介绍了一种使用生成式对抗网络与概率图模型相集成的方法来进行高光谱图像分类，试图提高分类精度并在数据利用率上更有效地使用大量未标注数据，实验结果表明，这种方法在使用少量数据进行训练时，获得了令人鼓舞的分类准确度。

    Feb, 2018

  • 多层次图子空间对比学习用于高光谱图像聚类

    本文提出了一种用于高光谱图像 (HSI) 聚类的多级图像子空间对比学习 (MLGSC) 模型，通过构建图卷积子空间、局部全局图表示和多级对比学习，有效提高了聚类准确性。在四个常见的 HSI 数据集上进行评估，结果显示该模型的整体准确率显著优于当前最先进的聚类方法。

    Apr, 2024

  • 具有语义不变增强的超像素图对比聚类方法在高光谱图像中的应用

    利用三维和二维混合卷积神经网络提取高维空间和光谱特征，设计超像素图对比聚类模型，使用像素采样增强和模型权重增强来改善先验视图对比聚类，通过样本级对齐和聚类中心对比，优化超像素嵌入的类内相似性和类间差异性。在多个高光谱图像数据集上验证了该方法的优势，例如在 India Pines 数据集上，与最先进方法相比，模型的聚类准确率从 58.79% 提高到 67.59%。

    Mar, 2024

  • 基于图卷积网络的高光谱图像对比多视角子空间聚类

    通过使用图卷积网络进行对比多视图子空间聚类，该研究提出了一种有效的方法来解决高维复杂光谱结构对高光谱图像聚类的挑战，通过最大限度地利用 HSI 中的空间和纹理特征信息来提高聚类准确性。

    Dec, 2023

  • 一种用于高光谱图像分类的快速三维卷积神经网络

    本论文提出了一种利用 3D CNN 模型用于 HSI 分类的方法，其利用了空间光谱特征图以实现良好的性能，并对其性能进行了实验验证。

    Apr, 2020

  • 基于马尔可夫随机场和卷积神经网络的高光谱图像分类

    该论文提出了一种新的超光谱遥感图像监督分类算法，该算法在统一的贝叶斯框架下集成了波谱和空间信息，并结合卷积神经网络和 Alpha-Expansion Min-Cut 算法。实验结果表明，该算法在一个合成数据集和两个基准超光谱数据集上的性能要优于其他最先进的方法。

    May, 2017