【Paper】Multiscale Dynamic Graph Convolutional Network for Hyperspectral Image Classification

摘要

CNN的弊端

傳統的CNN模型隻能對具有固定大小和權重的規則正方形圖像區域進行卷積運算，因而不能普遍适用于具有不同目标分布和幾何外觀的不同局部區域。

GCN

為了克服這一缺點，我們考慮将最近提出的圖卷積網絡（GCN）用于高光譜圖像分類，因為它可以對任意結構的非歐幾裡德資料進行卷積，并且适用于由圖拓撲資訊表示的不規則圖像區域。

本文貢獻

（1）與現有的基于固定圖的GCN模型不同的是，我們使圖能夠随着圖的卷積過程而動态更新，進而使這兩個步驟互相促進，逐漸産生the discriminative embedded features 和 refined graph（精細圖形）。

（2）此外，為了綜合利用高光譜圖像所繼承的多尺度資訊，我們建立了具有不同鄰域尺度的多輸入圖，以廣泛利用多尺度下的光譜-空間相關性。是以，我們的方法被稱為多尺度動态GCN（MDGCN）。

方法過程

（1）輸入高光譜資料，使用SLIC（simple linear iterative clustering）算法進行分割成超像素；

進行超像素的目的：

減少原始圖像中的像素數（一個超像素代表了一片光-譜空間相似的區域，每個超像素又可以表示一個圖結點，每個節點(即超像素)的特征是對應超像素所涉及的像素的平均光譜特征），計算效率得到提高。

生成的超像素也有助于儲存高光譜圖像的局部結構資訊，因為具有高空間一緻性的鄰近像素具有很大的機率屬于同一土地覆寫類型（即标簽）。

（2）然後，在這些超像素上構造不同空間尺度的圖（Graphs）；

（3）在這些Graphs 上進行卷積，同時聚合這些多尺度的光譜-空間特征，并逐漸細化輸入的圖。潛在地屬于同一類的超像素将在嵌入空間中理想地聚集在一起。

（4）最後由訓練好的網絡生成分類結果。