[논문 리뷰] Adaptive Homophily Clustering: Structure Homophily Graph Learning with Adaptive Filter for Hyperspectral Image

Yao Ding, Weijie Kang외 6명|arXiv (Cornell University)|2025. 01. 03.

Image Retrieval and Classification Techniques인용 수 3

한 줄 요약

이 논문은 AHSGC를 제시합니다. 이는 적응 필터와 함께 구조 인식적 동류성 그래프를 학습하는 하이퍼스펙트럴 이미지 군집화 방법으로, 제로-레이블 HSI 군집화를 위한 자기 학습 및 동적 그래프 업데이트를 가능하게 합니다.

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.

연구 동기 및 목표

• 초분광 이미지(HSI)의 제로-레이블 클러스터링을 공간 구조 정보를 활용해 해결합니다.
• HSI 군집화를 위한 특징 표현 및 그래프 활용을 개선합니다.
• 클러스터링 중에 간선이 업데이트되는 동적 그래프 학습 프레임워크를 개발합니다.
• 낮은 계산 복잡도와 높은 정확도에서의 견고한 성능을 가능하게 합니다.

제안 방법

• HSI를 위한 초기 그래프를 구성하기 위해 동질적 영역을 생성합니다.
• 그래프에서 고주파 및 저주파 특성을 포착하기 위해 적응 필터 그래프 인코더를 설계합니다.
• KL Divergence를 이용해 의사 레이블을 생성하는 그래프 임베딩 군집화 자기 학습 디코더를 개발합니다.
• 지향 상관 추정치를 이용한 동적 간선 조정 및 그래프 희소화를 위한 동류성 강화 구조 학습을 도입합니다.
• 최종 클러스터링을 위한 자기 학습과 그래프 업데이트를 결합한 공동 네트워크 최적화를 제안합니다.
• 잠재 특징을 클러스터링 결과로 표현하기 위해 K-means를 사용합니다.

실험 결과

연구 질문

• RQ1 레이블 없는 상태에서 구조 인식적 동류성 그래프를 어떻게 적응적으로 학습해 HSI 클러스터링을 할 수 있는가?
• RQ2 적응형 그래프 필터가 HSIs의 정보 주파수 포착을 개선할 수 있는가?
• RQ3 자기 학습과 그래프 업데이트의 공동 최적화가 낮은 복잡도에서 견고한 클러스터링을 제공하는가?
• RQ4 지향 상관 기반 간선 업데이트와 간선 희소화가 클러스터링 성능에 미치는 영향은 무엇인가?

주요 결과

• AHSGC가 고해상도 스펙트럼 데이터에서 높은 클러스터링 정확도를 달성합니다.
• 본 방법은 낮은 계산 복잡도를 보여줍니다.
• 데이터 및 설정의 변동에 대해 강한 견고성을 보입니다.
• 적응적 필터링과 동적 그래프 업데이트가 그래프 표현력을 향상시킵니다.
• KL Divergence를 이용한 자기 학습 디코더가 의사 레이블 생성을 효과적으로 수행하여 학습을 안내합니다.
• 동류성 강화 구조 학습과 간선 희소화의 결합으로 군집화를 위한 동적으로 다듬어진 그래프가 형성됩니다.