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
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
提出了一种像素和超像素对比学习与伪标签校正方法(PSCPC),用于高光谱图像聚类,通过超像素和少量像素的类比学习,合理地捕捉区域特定和细粒度特征,提出了伪标签校正模块来对齐像素和超像素的聚类伪标签,利用像素级聚类结果监督超像素级聚类,提高模型的泛化能力。广泛的实验证明了 PSCPC 的有效性和效率。
Dec, 2023
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
该研究提出了一种基于图卷积网络的高光谱图像的多视角子空间聚类方法,利用空间关系分析和表达了高光谱图像的特性,并通过两个图卷积子空间构建了更具区分度的特征图,该模型在三个流行的高光谱图像数据集上具有较高的聚类准确性。
Mar, 2024
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。
May, 2022
本研究介绍了一种新的无监督高光谱图像聚类算法,名为 S2DL(基于超像素和空间正则化扩散学习),它通过将高光谱图像中编码的丰富空间信息融入扩散几何聚类中来解决高维、噪声、异常点和需要准确标签的挑战。该方法在图像分割中使用熵率超像素技术将图像划分为超像素,并使用最具代表性的高密度像素构建一个空间正则化扩散图。最高密度像素与其他最高密度像素之间的扩散距离最远,被识别为隐含聚类结构的示例。这些示例指导其余超像素中的代表性像素标记。最后,对每个超像素内分配的标签进行多数投票,将标签传播到整个图像。S2DL 的性能通过对三个公开可用真实世界高光谱图像进行广泛实验验证,即 Indian Pines,Salinas 和 Salinas A。此外,我们使用高分五号高光谱图像将 S2DL 应用于香港米埔自然保护区的大规模无监督红树林物种映射。S2DL 在这些多样化的数值实验中取得了成功,表明其在各种重要的无监督遥感分析任务上具有高效性。
Dec, 2023
通过使用具有特定块大小的 HSI 立方体提取中心像素的空间 - 光谱特征表示,本研究论文探讨了 HSI 立方体中可能记录到的场景特定但非必要的相关性,这些附加信息改善了现有 HSI 数据集上模型的性能,并使其难以正确评估模型的能力。作者引入空间过拟合问题,并利用严格的实验设置来避免该问题。除此之外,论文还提出了一种用于 HSI 分类的多视图变换器,包括多视图主成分分析(MPCA)、光谱编码器 - 解码器(SED)和空间池化标记化变形器(SPTT)。通过构建光谱多视图观察并在每个视图数据上应用 PCA 来降维 HSI,MPCA 能够提取低维视图表示,这些视图表示的组合被称为多视图表示,并作为 MPCA 的输出进行传递。为了聚合多视图信息,论文引入了具有在光谱维度上呈 U 形状的全卷积 SED,用于提取多视图特征图。SPTT 利用空间池化标记化策略将多视图特征转换为标记,并为土地覆盖分类学习了健壮且具有区分性的空间 - 光谱特征。分类采用线性分类器进行,实验结果表明,所提出的多视图变换器优于现有方法,经过严格设置的三个 HSI 数据集上都取得了优越的性能。
Oct, 2023
利用 Hyperspectral Imaging 和 Machine Learning 相结合的方法,采用 Graph Neural Networks 以及 Convolutional Neural Network,通过对局部图像特征和空间上下文信息的建模,实现在肿瘤和健康组织之间进行准确分割的目标。
Nov, 2023
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