多层次图子空间对比学习用于高光谱图像聚类
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
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
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
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
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
在图表征学习中,提出了一种新的分层对比学习 (Hierarchical Contrastive Learning, 简称 HCL) 框架,采用自适应的 L2Pool 方法进行更合理的多尺度图形拓扑构建,并采用多通道伪孪生网络来进一步扩展各级别内的互信息学习,以获得更丰富和更具层次感的表示。通过实验,HCL 在节点分类、节点聚类和图分类等 12 个数据集上均取得了具有竞争力的性能表现,并且通过可视化显示,HCL 成功捕捉到了图的有意义特征。
Oct, 2022
我们提出了一种通用的知识嵌入对比学习框架(KnowCL),用于监督、无监督和半监督的高光谱图像分类,该框架基于一套新的高光谱图像处理流程,结合了多种数据转换和增强技术,提供了多样化的数据表示和现实数据分区,同时采用了一种新的损失函数,可以自适应地融合有监督损失和无监督损失,提高了学习性能。
Apr, 2024
利用本文提出的新型方法进行高光谱图像分类与杂波检测,采用了局部线性嵌入(LLE)和结构丰富的表示环境。在两个外部结构层的帮助下,通过特征空间嵌入和参数范围调整,有效克服了高光谱数据本身的不确定性和噪声问题。实验结果表明,该方法可以在样本数量较少的情况下,获得显着的高精度分类结果,以及检测出杂波区域的特征图。
Jun, 2015
该研究介绍了一种基于凸优化的构建高分辨率 HSI 和高分辨率 MSI 综合图像的数据融合方法,使用向量全变差作为正则化项,通过 Split Augmented Lagrangian Shrinkage Algorithm(SALSA)算法实现优化,取得了优于现有算法的效果。
Nov, 2014