Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification

要約

タイトル：超スペクトル画像分類のためのスペクトル-空間グローバルグラフ推論
要約：
– 畳み込みニューラルネットワークは、超スペクトル画像分類に広く適用されています。
– 空間分布が不規則なオブジェクトの特徴を抽出するために、伝統的な畳み込みでは効果的ではありません。
– 最近の手法は、空間的トポロジー上でグラフ畳み込みを実行することで、この問題に対処しようとしていますが、固定されたグラフ構造やローカルな知見により、パフォーマンスが制限されます。
– この論文では、従来のアプローチと異なり、ネットワークトレーニング中に中間特徴にスーパーピクセル生成を実行して、適応的に均質な領域を生成し、グラフ構造を取得し、さらに空間記述子を生成します。
– さらに、空間物体だけでなく、適切にチャネルを集約してスペクトル記述子を生成することで、チャネル間のグラフ関係を探索します。
– これらのグラフ畳み込みの隣接行列は、すべての記述子の関係を考慮して取得され、グローバルな知見を実現します。
– 抽出された空間的およびスペクトルグラフ特徴を組み合わせることにより、最終的にスペクトル-空間グラフ推論ネットワーク（SSGRN）を取得します。
– SSGRNの空間およびスペクトル部分は、それぞれ空間およびスペクトルグラフ推論サブネットワークと呼ばれます。
– 4つの公共データセットでの包括的な実験は、提案手法が他の最先端のグラフ畳み込みベースの手法と比較して競争力があることを示しています。

要約(オリジナル)

Convolutional neural networks have been widely applied to hyperspectral image classification. However, traditional convolutions can not effectively extract features for objects with irregular distributions. Recent methods attempt to address this issue by performing graph convolutions on spatial topologies, but fixed graph structures and local perceptions limit their performances. To tackle these problems, in this paper, different from previous approaches, we perform the superpixel generation on intermediate features during network training to adaptively produce homogeneous regions, obtain graph structures, and further generate spatial descriptors, which are served as graph nodes. Besides spatial objects, we also explore the graph relationships between channels by reasonably aggregating channels to generate spectral descriptors. The adjacent matrices in these graph convolutions are obtained by considering the relationships among all descriptors to realize global perceptions. By combining the extracted spatial and spectral graph features, we finally obtain a spectral-spatial graph reasoning network (SSGRN). The spatial and spectral parts of SSGRN are separately called spatial and spectral graph reasoning subnetworks. Comprehensive experiments on four public datasets demonstrate the competitiveness of the proposed methods compared with other state-of-the-art graph convolution-based approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI