Графовые сверточные нейронные сети для классификации гиперспектральных изображений
Graph Convolutional Networks for Hyperspectral Image Classification
2020-08-18
SCID: 54.1/47zrambg
Discuss with AI
слияние CNN и GCNсверточные графовые сетиклассификация гиперспектральных изображенийminiGCN
Figures from the paper
Abstract (AI)
Сверточные нейронные сети (CNN) привлекают всё большее внимание в задаче классификации гиперспектральных (HS) изображений благодаря способности захватывать пространственно-спектральные представления признаков. Тем не менее их возможности по моделированию связей между образцами остаются ограниченными. Вне ограничений сеточной выборки графовые сверточные сети (GCN) недавно были предложены и успешно применены для представления и анализа нерегулярных (несеточных) данных. В этой статье мы всесторонне исследуем CNN и GCN (качественно и количественно) в контексте классификации HS изображений. Поскольку традиционные GCN строят матрицу смежности по всем данным, они обычно сталкиваются с высокой вычислительной стоимостью, особенно в задачах дистанционного зондирования (RS) большого масштаба. В этой связи мы разрабатываем новый мини-батч GCN (далее miniGCN), который позволяет обучать GCN большого масштаба батчевым способом. Более существенно, наш miniGCN способен выполнять предсказание для вневыборочных (out-of-sample) данных без дообучения сети и улучшать качество классификации. Кроме того, поскольку CNN и GCN извлекают разные типы HS-признаков, интуитивным решением для преодоления узкого места производительности одиночной модели является их слияние. Поскольку miniGCN поддерживает пакетное обучение сетей (что позволяет комбинировать его с CNN), мы исследуем три стратегии слияния: аддитивное слияние, поэлементное мультипликативное слияние и конкатенацию, чтобы оценить полученный прирост в производительности. Обширные эксперименты на трёх наборах HS-данных демонстрируют преимущества miniGCN перед традиционными GCN и превосходство исследованных стратегий слияния по сравнению с отдельными моделями CNN или GCN. Код этой работы будет доступен по адресу https://github.com/danfenghong/IEEE_TGRS_GCN для обеспечения воспроизводимости.
Key Findings
1
CNN и GCN извлекают дополняющие друг друга пространственно-спектральные и реляционные признаки HS, поэтому их объединение повышает точность по сравнению с одиночной моделью CNN или GCN.
2
Авторы разработали мини‑пакетный GCN (miniGCN), позволяющий обучать масштабируемые GCN в мини‑пакетном режиме и выполнять вывод для внешних (out-of-sample) данных без дообучения.
3
Исследованы три стратегии слияния — аддитивное, поэлементное умножение и конкатенация — которые в экспериментах на трёх HS наборах данных превосходят однотипные модели.
4
Традиционные GCN для классификации гиперспектральных (HS) изображений испытывают большой вычислительный расход из‑за построения матрицы смежности на всех данных, что ограничивает масштабируемость для задач дистанционного зондирования большого масштаба.
5
miniGCN улучшает качество классификации по сравнению с традиционными GCN на протестированных HS наборах данных.
Research Object
Гиперспектральные (HS) изображения, используемые для классификации в дистанционном зондировании
Research Subject
Применение и сравнение графовых сверточных нейронных сетей (включая предложенный минибатч GCN) и сверточных нейронных сетей, а также стратегий их слияния для повышения точности классификации и масштабируемости (включая вывод для вневыборочных образцов и вычислительные затраты) при классификации гиперспектральных изображений
Publication Details
Publication Date
2020-08-18
Journal
Publisher
ISSN
Cited by
1720
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai7
Adam: метод стохастической оптимизации2014
Полуобучаемая классификация с использованием графовых сверточных сетей2016
Извлечение глубоких признаков и классификация гиперспектральных изображений на основе сверточных нейронных сетей2016
Обзор гиперспектрального размешения: геометрические, статистические и методы на основе разреженной регрессии2012
Глубокое обучение для классификации гиперспектральных изображений: обзор2019
Adam: метод стохастической оптимизации2021
Обнаружение уязвимостей, специфичных для функциональности, путем поиска индивидуальных эквивалентных по функциональности API в открытых репозиториях2025
Работы, цитирующие эту статью3
Классификация гиперспектральных изображений — от традиционных методов к глубоким моделям: обзор и перспективы2021
Глубокое обучение для обнаружения и отслеживания объектов с использованием беспилотных летательных аппаратов: обзор2021
Классификация изображений на основе глубокого обучения для интеграции патологии и радиологии в медицинской визуализации с поддержкой искусственного интеллекта2025