圖卷積神經(jīng)網(wǎng)絡(luò)及其在高光譜影像分類中的應(yīng)用

目錄
“信息感知測量前沿技術(shù)叢書”序
前言
第1章 緒論 1
1.1 背景與意義 1
1.2 國內(nèi)外研究現(xiàn)狀 4
1.2.1 高光譜影像特征提取與分類發(fā)展現(xiàn)狀 4
1.2.2 圖神經(jīng)網(wǎng)絡(luò)高光譜影像特征提取與分類發(fā)展現(xiàn)狀 7
1.3 圖神經(jīng)網(wǎng)絡(luò)綜述 9
1.3.1 圖神經(jīng)網(wǎng)絡(luò)發(fā)展歷史 9
1.3.2 圖神經(jīng)網(wǎng)絡(luò)與網(wǎng)絡(luò)嵌入 9
1.3.3 圖神經(jīng)網(wǎng)絡(luò)與圖核方法 10
1.3.4 圖神經(jīng)網(wǎng)絡(luò)主要模型 10
1.4 評價(jià)指標(biāo) 15
1.5 研究內(nèi)容 17
第2章 圖樣本聚合高光譜影像特征提取與分類 20
2.1 引言 20
2.2 圖樣本聚集 21
2.2.1 傳播規(guī)則 21
2.2.2 聚合器函數(shù) 22
2.3 上下文感知學(xué)習(xí)的多尺度圖樣本聚合高光譜影像分類 23
2.3.1 局部區(qū)域分割 23
2.3.2 多尺度操作 24
2.3.3 上下文感知學(xué)習(xí)與圖形重構(gòu) 25
2.4 實(shí)驗(yàn)結(jié)果與分析 28
2.4.1 實(shí)驗(yàn)設(shè)置 28
2.4.2 分類結(jié)果對比分析 29
2.4.3 不同數(shù)量的訓(xùn)練樣本對MSAGE-CAL方法性能影響分析 33
2.4.4 消融實(shí)驗(yàn) 34
2.4.5 訓(xùn)練時(shí)間對比分析 35
2.5 本章小結(jié) 36
第3章 CNN卷積與圖卷積相結(jié)合的高光譜影像特征提取與分類 37
3.1 引言 37
3.2 卷積神經(jīng)網(wǎng)絡(luò) 38
3.3 MFGCN高光譜影像分類 40
3.3.1 像素到區(qū)域分配和光譜特征轉(zhuǎn)換 40
3.3.2 多尺度GCN的方法 42
3.3.3 多尺度CNN的方法 42
3.3.4 多特征融合與區(qū)域到像素分配 43
3.3.5 基于MFGCN的高光譜影像分類 43
3.4 實(shí)驗(yàn)結(jié)果與分析 44
3.4.1 實(shí)驗(yàn)設(shè)置 44
3.4.2 分類結(jié)果對比分析 45
3.4.3 超參數(shù)的選擇 50
3.4.4 消融實(shí)驗(yàn) 52
3.4.5 不同數(shù)量的訓(xùn)練樣本對MFGCN方法性能影響分析 53
3.5 本章小結(jié) 54
第4章 自回歸滑動平均高光譜影像特征提取與分類 56
4.1 引言 56
4.2 自回歸滑動平均卷積核實(shí)現(xiàn) 57
4.3 DARMA-CAL高光譜影像分類 58
4.3.1 像素到區(qū)域轉(zhuǎn)換和圖構(gòu)建 58
4.3.2 ARMA圖卷積層 60
4.3.3 具有稠密連接的鄰域聚合 61
4.3.4 基于注意力的全局分層聚合 62
4.3.5 基于DARMA-CAL的高光譜影像分類 63
4.4 實(shí)驗(yàn)結(jié)果與分析 64
4.4.1 實(shí)驗(yàn)設(shè)置 64
4.4.2 分類結(jié)果對比分析 65
4.4.3 不同數(shù)量的訓(xùn)練樣本對DARMA-CAL方法性能影響分析 70
4.4.4 DARMA-CAL超參數(shù)影響分析 72
4.4.5 消融實(shí)驗(yàn) 74
4.4.6 訓(xùn)練時(shí)間對比 75
4.5 本章小結(jié) 75
第5章 自適應(yīng)濾波器-聚合器高光譜影像特征提取與分類 77
5.1 引言 77
5.2 圖濾波器、聚合器和消息傳遞神經(jīng)網(wǎng)絡(luò) 78
5.2.1 圖濾波器 78
5.2.2 圖卷積聚合器 78
5.2.3 消息傳遞神經(jīng)網(wǎng)絡(luò) 80
5.3 自適應(yīng)濾波器和聚合器高光譜影像分類 80
5.3.1 AF2GNN高光譜影像分類概述 80
5.3.2 自適應(yīng)濾波器機(jī)制 81
5.3.3 聚合器融合原理 82
5.3.4 AF2GNN網(wǎng)絡(luò)實(shí)現(xiàn) 84
5.3.5 基于AF2GNN的高光譜影像分類 85
5.4 實(shí)驗(yàn)結(jié)果與分析 87
5.4.1 實(shí)驗(yàn)設(shè)置 88
5.4.2 分類結(jié)果對比分析 88
5.4.3 AF2GNN超參數(shù)影響分析 93
5.4.4 不同數(shù)量的訓(xùn)練樣本對AF2GNN方法性能影響分析 95
5.4.5 不同分割模塊影響分析 97
5.4.6 消融實(shí)驗(yàn) 98
5.4.7 訓(xùn)練時(shí)間對比分析 98
5.5 本章小結(jié) 99
第6章 無監(jiān)督低通圖神經(jīng)網(wǎng)絡(luò)高光譜影像特征提取與聚類 100
6.1 引言 100
6.2 LGCC方法基本框架 101
6.3 無監(jiān)督低通圖神經(jīng)網(wǎng)絡(luò)高光譜影像聚類 101
6.3.1 低通圖卷積自動編碼器 101
6.3.2 低通圖卷積嵌入式自動編碼器 106
6.3.3 自監(jiān)督聚類 107
6.3.4 聯(lián)合嵌入與優(yōu)化 108
6.3.5 像素到區(qū)域變換與圖構(gòu)建 109
6.4 實(shí)驗(yàn)結(jié)果與分析 110
6.4.1 實(shí)驗(yàn)設(shè)置 111
6.4.2 實(shí)驗(yàn)結(jié)果對比分析 111
6.4.3 t-分布隨機(jī)鄰居嵌入數(shù)據(jù)分布可視化 117
6.4.4 LGCC方法超參數(shù)影響分析 118
6.4.5 消融實(shí)驗(yàn) 121
6.4.6 計(jì)算復(fù)雜度分析 121
6.5 本章小結(jié) 122
參考文獻(xiàn) 123
附錄 本書所用數(shù)據(jù)集 136
1. Indian Pines數(shù)據(jù)集 136
2. Kennedy Space Center數(shù)據(jù)集 136
3. Pavia University數(shù)據(jù)集 137
4. Salinas數(shù)據(jù)集 137
5. University of Houston 2013數(shù)據(jù)集 138