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

摘要

CNN的弊端

传统的CNN模型只能对具有固定大小和权重的规则正方形图像区域进行卷积运算，因而不能普遍适用于具有不同目标分布和几何外观的不同局部区域。

GCN

为了克服这一缺点，我们考虑将最近提出的图卷积网络（GCN）用于高光谱图像分类，因为它可以对任意结构的非欧几里德数据进行卷积，并且适用于由图拓扑信息表示的不规则图像区域。

本文贡献

（1）与现有的基于固定图的GCN模型不同的是，我们使图能够随着图的卷积过程而动态更新，从而使这两个步骤相互促进，逐步产生the discriminative embedded features 和 refined graph（精细图形）。

（2）此外，为了综合利用高光谱图像所继承的多尺度信息，我们建立了具有不同邻域尺度的多输入图，以广泛利用多尺度下的光谱-空间相关性。因此，我们的方法被称为多尺度动态GCN（MDGCN）。

方法过程

（1）输入高光谱数据，使用SLIC（simple linear iterative clustering）算法进行分割成超像素；

进行超像素的目的：

减少原始图像中的像素数（一个超像素代表了一片光-谱空间相似的区域，每个超像素又可以表示一个图结点，每个节点(即超像素)的特征是对应超像素所涉及的像素的平均光谱特征），计算效率得到提高。

生成的超像素也有助于保存高光谱图像的局部结构信息，因为具有高空间一致性的邻近像素具有很大的概率属于同一土地覆盖类型（即标签）。

（2）然后，在这些超像素上构造不同空间尺度的图（Graphs）；

（3）在这些Graphs 上进行卷积，同时聚合这些多尺度的光谱-空间特征，并逐渐细化输入的图。潜在地属于同一类的超像素将在嵌入空间中理想地聚集在一起。

（4）最后由训练好的网络生成分类结果。