[论文解读] Hyperspectral Image Classification With Context-Aware Dynamic Graph Convolutional Network

Sheng Wan, Chen Gong+4 more|arXiv (Cornell University)|Sep 26, 2019

Remote-Sensing Image Classification参考文献 57被引用 10

一句话总结

本文提出了一种上下文感知的动态图卷积网络（CAD-GCN），用于高光谱图像分类，通过学习的区域诱导图建模长距离上下文关系，并利用自适应边缘权重和边缘滤波器动态优化图结构。该方法通过迭代优化图拓扑结构与特征表示，在三个基准数据集上实现了最先进性能。

ABSTRACT

In hyperspectral image (HSI) classification, spatial context has demonstrated its significance in achieving promising performance. However, conventional spatial context-based methods simply assume that spatially neighboring pixels should correspond to the same land-cover class, so they often fail to correctly discover the contextual relations among pixels in complex situations, and thus leading to imperfect classification results on some irregular or inhomogeneous regions such as class boundaries. To address this deficiency, we develop a new HSI classification method based on the recently proposed Graph Convolutional Network (GCN), as it can flexibly encode the relations among arbitrarily structured non-Euclidean data. Different from traditional GCN, there are two novel strategies adopted by our method to further exploit the contextual relations for accurate HSI classification. First, since the receptive field of traditional GCN is often limited to fairly small neighborhood, we proposed to capture long range contextual relations in HSI by performing successive graph convolutions on a learned region-induced graph which is transformed from the original 2D image grids. Second, we refine the graph edge weight and the connective relationships among image regions by learning the improved adjacency matrix and the 'edge filter', so that the graph can be gradually refined to adapt to the representations generated by each graph convolutional layer. Such updated graph will in turn result in accurate region representations, and vice versa. The experiments carried out on three real-world benchmark datasets demonstrate that the proposed method yields significant improvement in the classification performance when compared with some state-of-the-art approaches.

研究动机与目标

• 解决传统高光谱图像（HSI）分类方法的局限性，即假设空间邻近像素属于同一类别，该假设在不规则或非均质区域中失效。
• 通过显式建模局部邻域之外的上下文关系，提升在类别边界等复杂区域的分类精度。
• 开发一种基于图的深度学习框架，能够在特征学习过程中动态更新图结构，以更好地捕捉语义关系。
• 通过将二维图像网格转换为可学习节点分配的区域诱导图，实现高光谱图像中有效的长距离上下文建模。
• 通过联合学习改进的邻接矩阵与边缘滤波器，使模型能够适应各层中不断演化的特征表示，从而增强特征表示能力。

提出的方法

• 通过学习像素到区域的映射关系，从二维图像网格构建区域诱导图，实现非局部与长距离的上下文连接。
• 在学习得到的图上迭代应用图卷积层，聚合远距离但语义相关的区域之间的特征。
• 引入自适应边缘滤波器，通过学习节点之间的可微距离度量，动态优化图的连通性。
• 在每一层使用可学习的注意力机制更新邻接矩阵，根据特征相似性和空间上下文调整边缘权重。
• 在训练过程中逐步优化图结构，使网络能够适应不断演化的特征表示，从而提升分类精度。
• 通过结合图卷积与端到端训练，整合光谱与空间信息，实现图拓扑结构与特征学习的联合优化。

实验结果

研究问题

• RQ1 基于图的深度学习模型能否有效捕捉高光谱图像中超越局部邻域的长距离上下文关系？
• RQ2 通过自适应边缘权重与可学习邻接矩阵实现的动态图优化，在复杂且非均质区域中如何提升分类性能？
• RQ3 所提出的区域诱导图构建方法在保留语义上下文方面，相较于传统的基于欧几里得的空间建模方法，优势有多大？
• RQ4 图结构与特征表示的联合优化是否能在多种高光谱图像数据集中持续带来性能提升？
• RQ5 与现有基于GCN和CNN的高光谱图像分类方法相比，所提出的CAD-GCN在推理速度与可扩展性方面效率如何？

主要发现

• 在Indian Pines数据集上，CAD-GCN实现了98.23% ± 0.54的最高总体精度（OA），优于所有对比的最先进方法。
• 在University of Pavia数据集上，CAD-GCN实现了97.95% ± 0.71的OA，表明其在空间变化性强的复杂城市场景中表现卓越。
• 在Salinas数据集上，CAD-GCN实现了95.36% ± 0.55的OA，显示出在大规模、异质环境中的鲁棒性。
• 消融实验表明，若移除任意一个组件——图投影、动态边缘优化或边缘滤波器——都会导致OA显著下降，证明了三个组件的必要性。
• 与基线GCN和CNN模型相比，CAD-GCN效率显著更高，推理时间分别为44秒（Indian Pines）、90秒（University of Pavia）和556秒（Salinas），而部分基线模型超过1500秒。
• 在Indian Pines数据集上，CAD-GCN实现了98.79% ± 0.22的高平均精度（AA）与98.03% ± 0.60的Kappa系数，表明其在所有类别上均表现出极强的一致性与可靠性。