[論文レビュー] Adaptive Homophily Clustering: Structure Homophily Graph Learning with Adaptive Filter for Hyperspectral Image

Yao Ding, Weijie Kang+6 more|arXiv (Cornell University)|Jan 3, 2025

Image Retrieval and Classification Techniques被引用数 3

ひとこと要約

この論文は、自己学習と動的グラフ更新を可能にする適応フィルタを備えた構造認識型同質性グラフを学習するハイパースペクトル画像クラスタリング法 AHSGC を提示します。ゼロラベルの HSI クラスタリングに適用します。

ABSTRACT

Hyperspectral image (HSI) clustering has been a fundamental but challenging task with zero training labels. Currently, some deep graph clustering methods have been successfully explored for HSI due to their outstanding performance in effective spatial structural information encoding. Nevertheless, insufficient structural information utilization, poor feature presentation ability, and weak graph update capability limit their performance. Thus, in this paper, a homophily structure graph learning with an adaptive filter clustering method (AHSGC) for HSI is proposed. Specifically, homogeneous region generation is first developed for HSI processing and constructing the original graph. Afterward, an adaptive filter graph encoder is designed to adaptively capture the high and low frequency features on the graph for subsequence processing. Then, a graph embedding clustering self-training decoder is developed with KL Divergence, with which the pseudo-label is generated for network training. Meanwhile, homophily-enhanced structure learning is introduced to update the graph according to the clustering task, in which the orient correlation estimation is adopted to estimate the node connection, and graph edge sparsification is designed to adjust the edges in the graph dynamically. Finally, a joint network optimization is introduced to achieve network self-training and update the graph. The K-means is adopted to express the latent features. Extensive experiments and repeated comparative analysis have verified that our AHSGC contains high clustering accuracy, low computational complexity, and strong robustness. The code source will be available at https://github.com/DY-HYX.

研究の動機と目的

• 空間的構造情報を活用してハイパースペクトル画像 (HSI) のゼロラベルクラスタリングに対処する。
• HSI クラスタリングの特徴表現とグラフの活用を改善する。
• クラスタリング中にエッジを更新する動的グラフ学習フレームワークを開発する。
• 低計算量と高精度を実現する頑健な性能を実現する。

提案手法

• HSI の初期グラフを構築するために均質な領域を生成する。
• グラフ上の高周波および低周波機能を捉える適応フィルタグラフエンコーダを設計する。
• KL Divergence を用いた疑似ラベルを生成するグラフ埋め込みクラスタリング自己学習デコーダを開発する。
• 方向相関推定による同質性強化構造学習を導入し、動的エッジ調整とグラフ疎化を行う。
• 自己学習とグラフ更新を結合したジョイントネットワーク最適化を提案し、最終クラスタリングを実現する。
• 潜在特徴をクラスタリング結果として表現するために K-means を用いる。

実験結果

リサーチクエスチョン

• RQ1 ラベルなしで HSI クラスタリングのために、構造認識型の同質性グラフを適応的に学習するにはどうすればよいか。
• RQ2 適応的なグラフフィルタは HSIs の情報量のあるグラフ周波数の捕捉を改善できるか。
• RQ3 自己学習とグラフ更新のジョイント最適化は低複雑度で頑健なクラスタリングをもたらすか。
• RQ4 方位相関ベースのエッジ更新とエッジの疎化がクラスタリング性能に与える影響は何か。

主な発見

• AHSGC はハイパースペクトルデータで高いクラスタリング精度を達成する。
• 本手法は計算複雑度が低い。
• データや設定のばらつきに対して強い頑健性を示す。
• 適応フィルタリングと動的グラフ更新はグラフ表現の表現力を高める。
• KL Divergence を用いる自己学習デコーダは訓練を導くための疑似ラベルを効果的に生成する。
• 同質性強化構造学習とエッジ疎化の組み合わせはクラスタリングのために動的に洗練されたグラフを生み出す。