高光谱分类论文解读分享之局部聚合与全局关注网络的高光谱影像分类

ESWA 2023：局部聚合与全局关注网络的高光谱影像分类

题目

Local aggregation and global attention network for hyperspectral image classification

作者

Zhonghao Chen, Guoyong Wu, Hongmin Gao, Yao Ding, Danfeng Hong, Bing Zhang

关键词

Hyperspectral (HS) image, Graph neural networks, Classification, Superpixel segmentation, Transformer.

研究动机

1. 现有基于超像素分割的高光谱分类模型所采用的超像素分割方法没有考虑到深度光谱信息
2. 从局部到全局的聚合思路更有利于聚合相似特征

模型

近年来，图神经网络(GNN)被证明是研究高光谱图像中非欧几里德相关性的一种有前途的框架。由于利用GNN提取像素间关系的计算量很大，主流的基于GNN的HS图像分类(HSIC)方法通常将原始图像分割成超像素作为进一步的图传播的节点。然而，原始光谱特征的低表示限制了分割的精度。此外，现有的基于GNN的方法没有考虑长程节点之间的重要性。本文首先提出了一种新的超像素生成策略，称为光谱诱导对齐超像素分割，该策略具有较高的分类精度更具体地说，利用深层自动编码器挖掘深层光谱特征，并进一步探索了最小融合和最大融合两种融合策略来融合分割结果。此外，通过结合图样本和聚集策略和图变换，提出了局部聚集和全局注意块(LAGAB)，以分层地探索局部和全局空间特征。由于节点信息在局部邻域中的聚集，进一步使用的图变换可以自适应地对邻域内信息进行建模，从而为HSIC开发了一个由LAGAB组成的网络，并在四个重要的HS数据集上进行了综合实验，结果表明该方法具有良好的分类性能。

亮点

1. 回顾了基于图的HSIC方法中常用的超像素分割方法，并提出了一种新的基于SLIC的分割策略光谱诱导对齐超像素分割策略（SIAS2）来替代原始的SLIC。
2. 设计了一个分层的局部到全局光谱空间特征提取模块LAGAB，以在局部邻域内聚合节点间信息，并在全局环境下自适应地关注该聚合邻域信息。

论文以及代码

论文链接: link