GCN：基于非局部图卷积神经网络的高光谱图像分类 | TGRS 2020

Posted 2021-04-26 科研之高光谱

△  点 上方蓝字 关注科研之高光谱

 分享前沿论文 享受科研之美

你好，欢迎来到高光谱图像处理论文推荐。今天介绍的论文来自西安光机所李学龙老师团队，提出了一种基于非局部图卷积神经网络高光谱图像分类方法。

 

这篇论文发表在IEEE TGRS期刊上，投稿于2019年7月16日，收录于2019年12月9日。

 

近几年来，利用卷积神经网络（CNNs）和递归神经网络（RNNs）等深层网络，对高光谱图像进行分类取得了显著进展，受到越来越多的关注。尽管这些网络取得了成功，但它们需要为监督学习提供足够的带标签的训练数据，然而，收集这些数据的成本相当高。另一方面，可以获取到几乎任意数量未标记的数据。因此，探索能够同时利用标记和未标记数据进行高光谱图像分类的网络将是一个非常有趣的概念。

Over the past few years making use of deep networks, including convolutional neural networks (CNNs) and recurrent neural networks (RNNs), classifying hyperspectral images has progressed significantly and gained increasing attention. In spite of being successful, these networks need an adequate supply of labeled training instances for supervised learning, which, however, is quite costly to collect. On the other hand, unlabeled datacan be accessed in almost arbitrary amounts. Hence it would be conceptually ofgreat interest to explore networks that are able to exploit labeled and unlabeled data simultaneously for hyperspectral image classification.

本文提出了一种新的基于图的半监督网络，称为非局部图卷积网络（GCN）。不同于现有的CNN和RNN网络使用高光谱图像的像素或块作为输入，GCN使用的是整个图像（包括标记和未标记的数据）。更具体地说， 首先计算非局部图，基于图表示，使用一系列图卷积层来提取特征。最后，利用交叉熵误差对所有标记数据完成网络半监督学习。此外，非局部 GCN 网络支持端到端训练。

In this article, we propose a novelgraph-based semisupervised network called nonlocal graph convolutional network (nonlocal GCN). Unlike existing CNNs and RNNs that receive pixels or patches ofa hyperspectral image as inputs, this network takes the whole image (including both labeled and unlabeled data) in. More specifically, a nonlocal graph is first calculated. Given this graph representation, a couple of graph convolutional layers are used to extract features. Finally, the semisupervised learning of the network is done by using a cross-entropy error over all labeled instances. Note that the nonlocal GCN is end-to-end trainable.

在大量的实验中证明，与最先进的光谱分类器和光谱-空间分类网络相比，非局部GCN能够提供更好的结果和高质量的分类图（具有精细的边界和没有噪声的散乱的误分类点）。

We demonstrate in extensive experiments that compared with state-of-the-art spectral classifiers and spectral–spatial classification networks, the nonlocal GCN is able to offer competitive resultsand high-quality classification maps (with fine boundaries and without noisy scattered points of misclassification).

划重点

1. 通过一个基于图的半监督网络进行高光谱图像分类。与现有的网络（如CNNs和RNNs）不同，CNNs和RNNs接收图像的局部部分（例如像素和块）作为输入，本文网络接收整个高光谱图像。

2. 与感受野是图像局部区域的CNN不同，本文方法使用非局部的、数据驱动的图表示来完成高光谱图像分类任务。

3.  在三个基准数据集上进行了实验，结果显示了GCN网络的高性能。此外，我们的网络可以提供更高质量的分类图。

后台回复“高光谱图像论文”，获取pdf格式论文。

祝好！

往 期 解 读

1. 

2. 

3. 

4. 

5.