[논문 리뷰] SLCGC: A lightweight Self-supervised Low-pass Contrastive Graph Clustering Network for Hyperspectral Images

Yao Ding, Zhili Zhang외 5명|ArXiv.org|2025. 02. 05.

Remote-Sensing Image Classification인용 수 8

한 줄 요약

영역 기반 그래프 구성, 로우패스 디노이징, 이중 브랜치 대조 학습을 활용하여 K-means clustering에 대해 강건하고 효율적인 임베딩을 생성하는 자가 지도 학습 기반 경량 하이퍼스펙트럴 이미지 클러스터링 프레임워크.

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.

연구 동기 및 목표

• 라벨링되지 않은 데이터로 하이퍼스펙트럴 이미지를 클러스터링하는 과제를 다룬다.
• 계산 복잡도를 낮추면서 클러스터링 정확도를 향상한다.
• 노이즈 및 원치 않는 고주파 그래프 컴포넌트에 대한 강인성을 향상한다.
• 클러스터링 동안 로컬 공간-스펙트럴 일관성을 보존한다.
• 학습된 임베딩에서 효율적인 K-means 클러스터링을 가능하게 하는 엔드투엔드 파이프라인을 제공한다.

제안 방법

• 스펙트럼적으로 일관된 픽셀을 모아 그래프 크기를 줄이도록 동질한 영역을 생성한다.
• 인접 행렬 A를 가진 구조적 그래프를 구성한다.
• 그래프 토폴로지의 고주파 노이즈를 억제하기 위해 로우패스 그래프 디노이징 메커니즘을 적용한다.
• 가우시안 노이즈 교란과 두 개의 MLP를 사용한 이중 가지 그래프 대조 학습 모듈을 구현하여 증강 뷰를 생성한다.
• 구상 간 대조 손실(cross-view contrastive loss)을 사용해 구조적 일관성을 강제하고 노이즈에 무관한 표현을 학습한다.
• 생성된 잠재 임베딩을 K-means로 클러스터링한다.

실험 결과

연구 질문

• RQ1 동질한 영역 생성이 그래프 복잡성을 줄이면서 공간-스펙트럴 일관성을 얼마나 효과적으로 보존하는가?
• RQ2 로우패스 그래프 디노이징이 하이퍼스펙트럴 이미지에서 특징 전파의 강인성과 안정성을 향상시키는가?
• RQ3 교차 뷰 손실을 가진 이중 가지 대조 학습이 클러스터링을 위한 노이즈에 불변한 표현을 생성할 수 있는가?
• RQ4 기초 방법들과 비교했을 때 클러스터링 정확도와 계산 효율성의 개선은 무엇인가?

주요 결과

• 하이퍼스펙트럴 데이터에서 높은 클러스터링 정확도를 보여준다.
• 유사한 자기지도 방법에 비해 낮은 계산 복잡성을 나타낸다.
• 로우패스 디노이징 및 대조 학습을 통해 노이즈에 대한 강한 강건성을 보인다.
• 제안된 그래프 구조를 통해 안정적인 특징 전파를 제공한다.
• 효과적인 K-means 클러스터링을 촉진하는 임베딩을 학습한다.