Apr, 2024

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

PDF
TL;DR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。
graph convolutional networkshsi classificationspatial-spectral reliable contrastive graph convolutional classificationcomplex land covergaofen-5
发现论文，激发创造
  • 对比图卷积网络用于高光谱图像分类

    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

  • 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

  • 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

  • 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

  • 基于可学习的三维分组卷积的空间光谱高光谱分类

    本文提出了一种基于改进的 3D-DenseNet 模型和轻量级模型设计的可学习组卷积网络 (LGCNet)，用于加速在具有严格延迟要求和受限计算能力的边缘设备上模型的部署，该网络通过引入针对输入通道和卷积核分组的动态学习方法改善了组卷积的不足，从而实现灵活的分组结构和更好的表示能力。此外，LGCNet 在印度藤条，帕维亚大学和 KSC 数据集上取得了速度和精度方面的进展，优于主流的高光谱图像分类方法。

    Jul, 2023

  • 空间图卷积网络

    提出了 Spatial Graph Convolutional Network (SGCN) 来改进 Graph Convolutional Networks (GCNs)，SGCN 利用了空间特征来有效地学习从自然定位的图形中，经过实验证明，SGCN 优于现有的图形方法在图像分类和化学任务上的表现。

    Sep, 2019

  • 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

  • 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

  • 用于半监督节点分类的分层图卷积网络

    本研究提出了一种新的深层分层图卷积网络 (H-GCN)，通过聚合结构相似的节点形成超节点，然后再将粗化的图细化到原始图以恢复每个节点的表达，从而扩大每个节点的感受野，能够获取更多的全局信息，并在各种公共基准测试图数据集上表现出强大的实证性能。

    Feb, 2019