Bayesian Layer Graph Convolutioanl Network for Hyperspetral Image Classification

要約

近年、ハイパースペクトル画像 (HSI) 分類に関する研究は、ディープ ネットワーク モデルの導入に関して継続的な進歩を遂げており、最近では、グラフ畳み込みネットワーク (GCN) ベースのモデルが印象的なパフォーマンスを示しています。
ただし、点推定に基づくこれらの深層学習フレームワークは、一般化が低く、分類結果の不確実性を定量化できないという問題があります。
一方、単純に分布推定に基づくベイジアン ニューラル ネットワーク (BNN) を適用して HSI を分類すると、パラメータの量が多くなり、高い分類精度を達成することはできません。
この論文では、点推定ベースのニューラル ネットワークへの挿入層として、ベイジアンのアイデアを持つベイジアン層を設計し、グラフ畳み込み操作を組み合わせることで、グラフ情報を効果的に抽出して推定できるベイジアン層グラフ畳み込みネットワーク (BLGCN) モデルを提案します。
分類結果の不確実性。
さらに、Generative Adversarial Network (GAN) を構築して、HSI データセットのサンプルの不均衡問題を解決します。
最後に、分類結果の信頼区間に基づいて動的制御トレーニング戦略を設計します。これにより、信頼区間が事前設定されたしきい値に達すると、トレーニングが早期に終了します。
実験結果は、モデルが高い分類精度と強力な一般化の間のバランスを実現していることを示しています。
さらに、分類結果の不確実性を定量化できます。

要約(オリジナル)

In recent years, research on hyperspectral image (HSI) classification has continuous progress on introducing deep network models, and recently the graph convolutional network (GCN) based models have shown impressive performance. However, these deep learning frameworks based on point estimation suffer from low generalization and inability to quantify the classification results uncertainty. On the other hand, simply applying the Bayesian Neural Network (BNN) based on distribution estimation to classify the HSI is unable to achieve high classification accuracy due to the large amount of parameters. In this paper, we design a Bayesian layer with Bayesian idea as an insertion layer into point estimation based neural networks, and propose a Bayesian Layer Graph Convolutional Network (BLGCN) model by combining graph convolution operations, which can effectively extract graph information and estimate the uncertainty of classification results. Moreover, a Generative Adversarial Network (GAN) is built to solve the sample imbalance problem of HSI dataset. Finally, we design a dynamic control training strategy based on the confidence interval of the classification results, which will terminate the training early when the confidence interval reaches the preseted threshold. The experimental results show that our model achieves a balance between high classification accuracy and strong generalization. In addition, it can quantifies the uncertainty of the classification results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google