[論文レビュー] Semi-supervised Hyperspectral Image Classification with Graph Clustering Convolutional Networks

Hao Zeng, Qingjie Liu+3 more|arXiv (Cornell University)|Dec 20, 2020

Remote-Sensing Image Classification参考文献 51被引用数 6

ひとこと要約

本稿では、2段階のクラスタリングを適用するグラフクラスタリング畳み込みネットワークを用いた半教師ありハイパースペクトル画像分類フレームワークを提案する。まず、グラフのサイズと複雑さを軽減するためのスーパープixels分割を行い、次にエッジの刈り取りによるグラフ分割により、高類似度ノード間の相関を強化する。本手法は、3つのベンチマークデータセットで最先端の性能を達成するとともに、計算コストを低減する。

ABSTRACT

Hyperspectral image classification (HIC) is an important but challenging task, and a problem that limits the algorithmic development in this field is that the ground truths of hyperspectral images (HSIs) are extremely hard to obtain. Recently a handful of HIC methods are developed based on the graph convolution networks (GCNs), which effectively relieves the scarcity of labeled data for deep learning based HIC methods. To further lift the classification performance, in this work we propose a graph convolution network (GCN) based framework for HSI classification that uses two clustering operations to better exploit multi-hop node correlations and also effectively reduce graph size. In particular, we first cluster the pixels with similar spectral features into a superpixel and build the graph based on the superpixels of the input HSI. Then instead of performing convolution over this superpixel graph, we further partition it into several sub-graphs by pruning the edges with weak weights, so as to strengthen the correlations of nodes with high similarity. This second round of clustering also further reduces the graph size, thus reducing the computation burden of graph convolution. Experimental results on three widely used benchmark datasets well prove the effectiveness of our proposed framework.

研究の動機と目的

• ハイパースペクトル画像（HSI）分類におけるラベル付きデータの制限という課題に対処するため、半教師ありグラフ畳み込みネットワーク（GCNs）を活用すること。
• ピクセルレベルのグラフをスーパープixelベースのグラフに変換することで、HSI分類における計算複雑度を低減すること。
• 弱い重みを持つエッジを刈り取ることで、スーパープixelグラフを部分グラフに分割することにより、ノード間相関モデリングを強化すること。
• 階層的クラスタリングとグラフ分割を通じてマルチホップ相関を活用することで、分類性能を向上させること。

提案手法

• 本手法はまず、類似したスペクトル特徴を持つピクセルをスーパープixelにクラスタリングするため、ハイパーマニフォールド SLIC（HMS）を適用し、初期グラフのサイズを小さくし、ラベルの分布をバランスさせる。
• 空間的およびスペクトル的類似性を保持するために、マルチスケールの隣接関係とユークリッド距離の順位付けを用いて、スーパープixelベースのグラフを構築する。
• 弱い重みを持つエッジを削除するグラフ分割手法を用いて、スーパープixelグラフを部分グラフにさらに分割する。これにより、高類似度接続が強化される。
• 分割された部分グラフにグラフ畳み込み演算を適用し、ラベル情報の伝搬と特徴表現の向上を図る。
• 本フレームワークは、ラベル付きおよびラベルなしのスーパープixelを活用するGCNベースの分類器を用い、半教師あり学習を実現する。
• 近隣数（k）、マルチスケール隣接（o）、部分グラフ数（c）といったハイパーパラメータは、性能最適化を目的に調整される。

実験結果

リサーチクエスチョン

• RQ1 グラフ構築における二重クラスタリングが、半教師ありHSI分類の分類精度を向上させるか？
• RQ2 スーパープixelベースのグラフ構築は、HSI分類における計算効率と性能にどのように影響を与えるか？
• RQ3 エッジ刈り取りによるグラフ分割は、HSI分類におけるノード相関モデリングをどの程度向上させ、ノイズを低減するか？
• RQ4 分類精度を最大化するために、ハイパーパラメータ（k, o, c）の最適な設定は何か、異なるHSIデータセットに対してどのように変化するか？
• RQ5 本手法は、既存のGCNベースおよびスーパープixelベースのHSI分類手法と比較して、精度および推論速度の両面で優れているか？

主な発見

• 提案手法は、Indian Pines、University of Pavia、Salinasの3つのベンチマークデータセットにおいて、最先端の分類精度を達成した。
• Indian Pines、University of Pavia、Salinasデータセットそれぞれに対して、k=5、k=2、k=9を設定した場合が最良の性能を示し、データセットに応じた最適な近傍サイズであることが示された。
• c=7およびc=5の設定で、グラフ分割（第二段階クラスタリング）を適用した場合、University of Paviaでは1.44%、Salinasでは1.02%の精度向上が見られた。
• 推論時間は顕著に短縮され、University of Pavia や Salinas の大規模データセットにおいて、MDGCN や RNN といったベースラインモデルを上回った。
• マルチスケール隣接（o=2）は、単一スケールまたはマルチスケールなしの設定よりも一貫して性能を向上させ、長距離依存関係を捉える有効性を裏付けた。
• スーパープixelベースの手法の中で、本フレームワークは最も短いテスト時間を達成し、グラフサイズの低減とモデル構造の単純化により、優れた計算効率を示した。