[논문 리뷰] Semi-Supervised Hyperspectral Image Classification with Edge-Aware Superpixel Label Propagation and Adaptive Pseudo-Labeling

Yunfei Qiu, Qiqiong Ma외 4명|arXiv (Cornell University)|2026. 01. 26.

Remote-Sensing Image Classification인용 수 0

한 줄 요약

논문은 경계 인식 초분할 레이블 전파와 동적, 히스토리 정보를 활용한 가짜 레이블링 및 적응 샘플 분류를 결합한 반지도 학습 하이퍼스펙트럴 이미지 분류 프레임워크를 제안하여 가짜 레이블의 안정성과 경계 처리 성능을 향상시킵니다.

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.

연구 동기 및 목표

• Semi-supervised HSIC에서 경계 라벨 확산 및 가짜 라벨 불안정성 해결.
• 에지 인식 초분할 전파를 통한 공간적 사전 정보 통합으로 특히 경계에서의 라벨 전파를 개선.
• 히스토리 융합 및 삼분류 샘플 분류를 포함한 가짜 레이블 생성 및 활용을 위한 동적 학습 메커니즘 개발.
• DHP와 ATSC를 결합한 통합 DREPL 프레임워크를 통해 가짜 레이블의 신뢰성을 강화.
• 다양한 벤치마크 데이터셋에 걸친 접근 방법의 견고성과 성능 향상을 입증하기 위한 평가.

제안 방법

• Edge-Aware Superpixel Label Propagation (EASLP) 는 경계 강도 패널티를 이웃 보정 전략과 결합하여 초분할 기반 전파 시 라벨 확산을 제약합니다.
• Dynamic History-Fused Prediction (DHP) 는 샘플별 예측의 히스토리를 유지하고 과거 예측과 현재 예측을 점진적으로 증가하는 과거 가중치로 융합합니다.
• Adaptive Tripartite Sample Categorization (ATSC) 는 신뢰도와 Count-Gap 메트릭을 사용하여 미라벨 샘플을 쉬운 샘플, 애매한 샘플, 어려운 샘플로 분류하고 적응 임계치를 적용합니다.
• Dynamic Reliability-Enhanced Pseudo-Label Framework (DREPL) 는 DHP와 ATSC 를 결합하여 시간에 따라 샘플 간 가짜 레이블의 안정성을 높입니다.
• 레이블 데이터에 대해 감독 손실, 미라벨 데이터에 대해 가짜 레이블에 의해 안내된 자기 학습 손실을 사용하는 약한 데이터 증강 및 강한 데이터 증강이 사용됩니다.
• 주요 방정식은 에지 가중 유사도 ˜Sim̃ij = Simij / (1 + Ej) 및 이웃 보정 ˜ŷj = argmaxc sumk∈N(j) (1/(Ek+ε)) I[yk=c] 를 포함합니다.
• research_questions:[

실험 결과

연구 질문

• RQ1 에지 인식 초분할 전파에서 경계 라벨 확산을 어떻게 완화할 수 있는가 HSIs에서?
• RQ2 동적 히스토리 기반 가짜 레이블링 메커니즘이 학습 반복에서 가짜 레이블을 안정시킬 수 있는가?
• RQ3 미라벨 샘플의 적응적 분류가 가짜 레이블 품질과 학습 효율성을 개선하는가?
• RQ4 제안된 DREPL 프레임워크가 벤치마크 HSIs에서 전반적인 성능 및 강건성 향상을 제공하는가?

주요 결과

• 제안된 EASLP 모듈은 라벨 전파 과정에서 경계 확산을 줄이면서 경계 영역의 무결성을 보존합니다.
• DHP는 과거 예측을 활용한 동적 가중치 체계를 통해 가짜 레이블의 변동을 효과적으로 평활화합니다.
• ATSC는 쉬운 샘플, 애매한 샘플 및 어려운 샘플의 선택적 사용을 가능하게 하여 가짜 레이블 품질과 학습 효율성을 향상시킵니다.
• DHP와 ATSC를 결합한 DREPL 프레임워크는 시간적 및 샘플별 가짜 레이블 신뢰성을 향상시킵니다.
• 네 가지 벤치마크 데이터셋에서 본 방법은 여러 전적, 반지도 학습 및 자기지도 학습 베이스라인과 비교해 우수한 분류 성능을 달성합니다.