Графовые сверточные нейронные сети для классификации гиперспектральных изображений

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.