Structural-Spectral Graph Convolution with Evidential Edge Learning for Hyperspectral Image Clustering

要約

Hyperspectral Image（HSI）クラスタリングは、注釈なしで同様のピクセルを同じクラスに割り当てます。これは重要でありながら挑戦的な作業です。
大規模なHSIの場合、ほとんどの方法はスーパーピクセルのセグメンテーションに依存しており、グラフニューラルネットワーク（GNNS）に基づいてスーパーピクセルレベルのクラスタリングを実行します。
ただし、既存のGNNは入力HSIのスペクトル情報を完全に活用することはできず、不正確なスーパーピクセルトポロジグラフは、情報集約中の異なるクラスセマンティクスの混乱につながる可能性があります。
これらの課題に対処するために、まず、グラフ構造のHSIスーパーピクセルに合わせて調整された構造スペクトルグラフ畳み込み演算子（SSGCO）を提案し、空間的特徴とスペクトル特徴の共発現を通じて表現品質を向上させます。
第二に、スーパーピクセルのトポロジグラフのエッジウェイトを適応的に予測および改良するエビデンスガイド付き適応エッジ学習（EGAEL）モジュールを提案します。
提案された方法を対照的な学習フレームワークに統合して、表現学習とクラスタリングが同時に行われるクラスタリングを実現します。
実験は、提案された方法が、4つのHSIデータセットの最良の比較方法でクラスタリング精度を2.61％、6.06％、4.96％、3.15％改善することを示しています。
私たちのコードはhttps://github.com/jhqi/ssgco-egaelで入手できます。

要約(オリジナル)

Hyperspectral image (HSI) clustering assigns similar pixels to the same class without any annotations, which is an important yet challenging task. For large-scale HSIs, most methods rely on superpixel segmentation and perform superpixel-level clustering based on graph neural networks (GNNs). However, existing GNNs cannot fully exploit the spectral information of the input HSI, and the inaccurate superpixel topological graph may lead to the confusion of different class semantics during information aggregation. To address these challenges, we first propose a structural-spectral graph convolutional operator (SSGCO) tailored for graph-structured HSI superpixels to improve their representation quality through the co-extraction of spatial and spectral features. Second, we propose an evidence-guided adaptive edge learning (EGAEL) module that adaptively predicts and refines edge weights in the superpixel topological graph. We integrate the proposed method into a contrastive learning framework to achieve clustering, where representation learning and clustering are simultaneously conducted. Experiments demonstrate that the proposed method improves clustering accuracy by 2.61%, 6.06%, 4.96% and 3.15% over the best compared methods on four HSI datasets. Our code is available at https://github.com/jhqi/SSGCO-EGAEL.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google