[论文解读] Semi-supervised Hyperspectral Image Classification with Graph Clustering Convolutional Networks

Hao Zeng, Qingjie Liu+3 more|arXiv (Cornell University)|Dec 20, 2020

Remote-Sensing Image Classification参考文献 51被引用 6

一句话总结

该论文提出了一种基于图聚类卷积网络的半监督高光谱图像分类框架，采用两阶段聚类：首先通过超像素分割减小图的规模与复杂度，然后通过边剪枝进行图划分以增强高相似度节点间的关联性。该方法在三个基准数据集上实现了最先进性能，同时显著降低了计算成本。

ABSTRACT

Hyperspectral image classification (HIC) is an important but challenging task, and a problem that limits the algorithmic development in this field is that the ground truths of hyperspectral images (HSIs) are extremely hard to obtain. Recently a handful of HIC methods are developed based on the graph convolution networks (GCNs), which effectively relieves the scarcity of labeled data for deep learning based HIC methods. To further lift the classification performance, in this work we propose a graph convolution network (GCN) based framework for HSI classification that uses two clustering operations to better exploit multi-hop node correlations and also effectively reduce graph size. In particular, we first cluster the pixels with similar spectral features into a superpixel and build the graph based on the superpixels of the input HSI. Then instead of performing convolution over this superpixel graph, we further partition it into several sub-graphs by pruning the edges with weak weights, so as to strengthen the correlations of nodes with high similarity. This second round of clustering also further reduces the graph size, thus reducing the computation burden of graph convolution. Experimental results on three widely used benchmark datasets well prove the effectiveness of our proposed framework.

研究动机与目标

• 通过利用半监督图卷积网络（GCNs）来解决高光谱图像（HSI）分类中标签数据有限的挑战。
• 通过将像素级图转换为基于超像素的图，降低高光谱图像分类中的计算复杂度。
• 通过剪除弱权重边对超像素图进行子图划分，以增强节点关联建模。
• 通过分层聚类与图划分挖掘多跳关联，提升分类性能。

提出的方法

• 首先使用超流形SLIC（HMS）将光谱特征相似的像素聚类为超像素，以减小初始图的规模并平衡标签分布。
• 利用多尺度邻接关系与欧氏距离排序构建基于超像素的图，以保留空间与光谱相似性。
• 通过一种图划分方法，移除低权重边，将超像素图进一步划分为子图，以强化高相似度连接。
• 在划分后的子图上应用图卷积操作，以传播标签信息并提升特征表示。
• 该框架采用基于GCN的分类器，利用已标记与未标记的超像素实现半监督学习。
• 对超参数（如邻居数（k）、多尺度邻接（o）和子图数量（c））进行调优，以优化性能。

实验结果

研究问题

• RQ1 在图构建中采用双聚类是否能提升半监督高光谱图像分类的准确率？
• RQ2 基于超像素的图构建在高光谱图像分类中如何影响计算效率与性能表现？
• RQ3 通过边剪枝进行图划分在多大程度上能增强节点关联建模并降低高光谱图像分类中的噪声？
• RQ4 为在不同高光谱图像数据集上最大化分类准确率，超参数（k, o, c）的最优配置是什么？
• RQ5 与现有基于GCN和基于超像素的高光谱图像分类方法相比，所提方法在准确率与推理速度方面是否更具优势？

主要发现

• 所提方法在三个基准数据集（Indian Pines、University of Pavia、Salinas）上均实现了最先进分类准确率。
• 在Indian Pines、University of Pavia和Salinas数据集中，分别采用k=5、k=2和k=9时性能最佳，表明最优邻域大小具有数据集依赖性。
• 当c=7和c=5时，相较于无划分情况，第二阶段聚类（图划分）在University of Pavia上提升准确率1.44%，在Salinas上提升1.02%。
• 该方法显著缩短了推理时间，在University of Pavia和Salinas等大规模数据集上优于基线模型（如MDGCN和RNN）。
• 多尺度邻接（o=2）在性能上持续优于单尺度或无多尺度设置，证明其在捕捉长距离依赖关系方面的有效性。
• 该框架在基于超像素的方法中测试时间最短，得益于图规模减小与模型结构简化，展现出卓越的计算效率。