Графовые сверточные нейронные сети для классификации гиперспектральных изображений

Graph Convolutional Networks for Hyperspectral Image Classification
Jing Tao Yao, Antonio Plaza, Lianru Gao, Danfeng Hong, Bing Zhang, Jocelyn Chanussot
2020-08-18

слияние CNN и GCNсверточные графовые сетиклассификация гиперспектральных изображенийminiGCN
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.
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.

Гиперспектральные (HS) изображения, используемые для классификации в дистанционном зондировании

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
Access Type
Author Information
Authors
Jing Tao Yao
Antonio Plaza
Lianru Gao
Danfeng Hong
Bing Zhang
Jocelyn Chanussot
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%