[論文レビュー] Semi-Supervised Hyperspectral Image Classification with Edge-Aware Superpixel Label Propagation and Adaptive Pseudo-Labeling

Yunfei Qiu, Qiqiong Ma+4 more|arXiv (Cornell University)|Jan 26, 2026

Remote-Sensing Image Classification被引用数 0

ひとこと要約

論文はエッジ認識型スーパーピクセルラベル伝播と動的・履歴情報を取り入れた自己ラベル推定および適応的サンプル分類を組み合わせた半教師なし高スペクトル画像分類フレームワークを提案し、 pseudo-label の安定性と境界処理を改善する。

ABSTRACT

Significant progress has been made in semi-supervised hyperspectral image (HSI) classification regarding feature extraction and classification performance. However, due to high annotation costs and limited sample availability, semi-supervised learning still faces challenges such as boundary label diffusion and pseudo-label instability. To address these issues, this paper proposes a novel semi-supervised hyperspectral classification framework integrating spatial prior information with a dynamic learning mechanism. First, we design an Edge-Aware Superpixel Label Propagation (EASLP) module. By integrating edge intensity penalty with neighborhood correction strategy, it mitigates label diffusion from superpixel segmentation while enhancing classification robustness in boundary regions. Second, we introduce a Dynamic History-Fused Prediction (DHP) method. By maintaining historical predictions and dynamically weighting them with current results, DHP smoothens pseudo-label fluctuations and improves temporal consistency and noise resistance. Concurrently, incorporating condifence and consistency measures, the Adaptive Tripartite Sample Categorization (ATSC) strategy implements hierarchical utilization of easy, ambiguous, and hard samples, leading to enhanced pseudo-label quality and learning efficiency. The Dynamic Reliability-Enhanced Pseudo-Label Framework (DREPL), composed of DHP and ATSC, strengthens pseudo-label stability across temporal and sample domains. Through synergizes operation with EASLP, it achieves spatio-temporal consistency optimization. Evaluations on four benchmark datasets demonstrate its capability to maintain superior classification performance.

研究の動機と目的

• 半教師付き HSIC における境界ラベル拡散と pseudo-label の不安定性を解決する。
• エッジ認識型スーパーピクセル伝播を介して空間的事前情報を統合し、特に境界でのラベル伝播を改善する。
• 履歴融合と三分割サンプル分類を含む pseudo-label 生成と利用の動的学習機構を開発する。
• 統一的な DREPL フレームワークを通じて DHP と ATSC を組み合わせ、pseudo-label の信頼性を向上させる。
• 複数のベンチマークデータセットで手法のロバスト性とパフォーマンス向上を示す。

提案手法

• Edge-Aware Superpixel Label Propagation (EASLP) は、エッジ強度ペナルティと近傍補正戦略を組み合わせて、スーパーピクセルベースの伝播中のラベル拡散を制約する。
• Dynamic History-Fused Prediction (DHP) は、サンプルごとの予測履歴を保持し、履歴と現在の予測を徐々に歴史的重みを増やして融合する。
• Adaptive Tripartite Sample Categorization (ATSC) は、信頼度と Count-Gap 指標を用いて unlabeled サンプルを easy、ambiguous、hard に分類し、適応閾値を用いる。
• Dynamic Reliability-Enhanced Pseudo-Label Framework (DREPL) は、DHP と ATSC を組み合わせて時間とサンプル間で pseudo-label を安定化させる。
• 弱データ拡張と強データ拡張を用い、ラベル付きデータには監督付き損失、ラベルなしデータには pseudo-label に guided された自己訓練損失を適用する。
• 主要方程式には、edge-weighted similarity ˜Simij = Simij / (1 + Ej) および近傍補正 ˜ŷj = argmaxc sumk∈N(j) (1/(Ek+ε)) I[yk=c] が含まれる。
• research_questions:[

実験結果

リサーチクエスチョン

• RQ1 HSIs における edge-aware スーパーピクセル伝播で境界ラベル拡散をいかに抑制できるか？
• RQ2 動的履歴ベースの pseudo-labeling メカニズムはトレーニング反復にわたり pseudo-label を安定化できるか？
• RQ3 unlabeled サンプルの適応分類は pseudo-label の品質と学習効率を改善できるか？
• RQ4 提案する DREPL フレームワークはベンチマーク HSIs における全体的なパフォーマンスとロバスト性を向上させるか？

主な発見

• 提案された EASLP モジュールは、境界拡散を抑制しつつ伝播中の境界領域の整合性を維持する。
• DHP は歴史的予測を動的な重み付けで活用することにより pseudo-label の揺らぎを効果的に平滑化する。
• ATSC は easy、ambiguous、hard のサンプルを選択的に用いることで pseudo-label の品質と学習効率を向上させる。
• DREPL フレームワークは DHP と ATSC を組み合わせることで、時系列およびサンプルごとの pseudo-label 信頼性を改善する。
• 4つのベンチマークデータセットにおいて、手法は完全教師あり、半教師あり、および自己教師付きベースラインと比較して優れた分類性能を達成する。