[論文レビュー] SLCGC: A lightweight Self-supervised Low-pass Contrastive Graph Clustering Network for Hyperspectral Images

Yao Ding, Zhili Zhang+5 more|ArXiv.org|Feb 5, 2025

Remote-Sensing Image Classification被引用数 8

ひとこと要約

自己教師あり、軽量なハイパースペクトル画像クラスタリングフレームワークで、 region-based graph construction, low-pass denoising, そして dual-branch contrastive learning を用いて、K-meansクラスタリングのための堅牢で効率的な埋め込みを生成します。

ABSTRACT

Self-supervised hyperspectral image (HSI) clustering remains a fundamental yet challenging task due to the absence of labeled data and the inherent complexity of spatial-spectral interactions. While recent advancements have explored innovative approaches, existing methods face critical limitations in clustering accuracy, feature discriminability, computational efficiency, and robustness to noise, hindering their practical deployment. In this paper, a self-supervised efficient low-pass contrastive graph clustering (SLCGC) is introduced for HSIs. Our approach begins with homogeneous region generation, which aggregates pixels into spectrally consistent regions to preserve local spatial-spectral coherence while drastically reducing graph complexity. We then construct a structural graph using an adjacency matrix A and introduce a low-pass graph denoising mechanism to suppress high-frequency noise in the graph topology, ensuring stable feature propagation. A dual-branch graph contrastive learning module is developed, where Gaussian noise perturbations generate augmented views through two multilayer perceptrons (MLPs), and a cross-view contrastive loss enforces structural consistency between views to learn noise-invariant representations. Finally, latent embeddings optimized by this process are clustered via K-means. Extensive experiments and repeated comparative analysis have verified that our SLCGC 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

• ラベルなしデータでハイパースペクトル画像をクラスタリングするという課題に対処する。
• 計算量を削減しつつクラスタリング精度を向上させる。
• ノイズおよび望ましくない高周波のグラフ成分に対する頑健性を高める。
• クラスタリング中の局所的な空間-スペクトル コヒーレンスを維持する。
• 学習済み埋め込みに対して効率的なK-meansクラスタリングを可能にするエンドツーエンドのパイプラインを提供する。

提案手法

• スペクトル的に一貫したピクセルを集約してグラフサイズを削減するために同質な領域を生成する。
• 隣接行列 A を用いた構造グラフを構築する。
• グラフトポロジーの高周波ノイズを抑制するために低通グラフデノイズ機構を適用する。
• ガウシアンノイズの摂動と2つのMLPを用いたデュアルブランチのグラフ対比学習モジュールを実装し、拡張ビューを作成する。
• ビュー間対比損失を用いて構造的一貫性を強制し、ノイズ不変表現を学習する。
• 得られた潜在埋め込みをK-meansでクラスタリングする。

実験結果

リサーチクエスチョン

• RQ1 同質領域の生成は、グラフの複雑さを低減しつつ空間-スペクトルコヒーレンスをどれだけ保持できるか？
• RQ2 低周波グラフデノイズはHSIにおける特徴伝搬の頑健性と安定性を改善するか？
• RQ3 ビュー間損失を伴うデュアルブランチ対比学習はクラスタリングのノイズ不変表現を生み出すか？
• RQ4 ベースライン手法と比較してクラスタリング精度と計算効率の改善はどの程度か？

主な発見

• 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示す。
• 同程度の自己教師あり手法と比較して計算複雑性が低い。
• 低通デノイズと対比学習を通じてノイズに対する強い頑健性を示す。
• 提案されたグラフ構造により安定した特徴伝搬を提供する。
• 効果的なK-meansクラスタリングを促進する埋め込みを学習する。