.png){kind=icon}
返回
Adaptive Convolutional Interaction-Guided Graph Attention Network for Hyperspectral Image Classification
.png){kind=icon}
PRE
AI
DOI：10.1109/taes.2026.3711614.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高光谱图像（HSI）分类是一项具有挑战性的任务，由于其高空间-光谱复杂性特性，尤其是在可用训练样本稀缺的情况下。现有的图神经网络（GNN）和基于卷积神经网络（CNN）的方法已显示出一定的优势，但它们通常在充分揭示HSI的空间-光谱以及全局-局部结构特征方面存在局限性，并且在探索分类的判别特征方面也存在不足。针对这些问题，本文提出了一种自适应卷积交互感知图注意力网络（AI-GAT）。该网络采用分而治之的策略，通过像素级（光谱信息）和超像素级（空间与光谱信息的联合）特征学习的协作来学习和优化判别特征。具体而言，设计了一个交互空间模块，用于交互离散区域以揭示和增强HSI的全局长距离依赖特性，这有助于像素级和超像素级特征学习。其次，开发了一个全局感知空间模块和一个扩展的图注意力网络，通过生成多样化的超像素特征来获得图节点特征。此外，还设计了一个带有自适应卷积模块的像素级特征增强块，以协同超像素特征流来优化分类结果。在真实数据集上的大量实验表明，所提出的AI-GAT与众多最先进方法相比，在定性和定量评估方面均具有竞争力。
Keyword:
Graph attention network (GAT)
hyperspectral image (HSI)
land-cover classification
spatial–spectral
superpixel
期刊
IF:
5.7
论文数:
858
被引数:
2.4W
机构
引用论文
Dual-Semantic Graph Convolution Network for Hyperspectral Image Classification With Few Labeled Samples基于双语义图卷积网络的少标记样本高光谱图像分类
PREAI
分享收藏
FusGAT: Graph Attention-Based Fusion Network for Unsupervised Hyperspectral Image Super-ResolutionFusGAT：基于图注意力融合网络的非监督高光谱图像超分辨率
PREAI
分享收藏Hyperspectral Image Classification Using Dictionary-Based Sparse Representation基于字典稀疏表示的高光谱图像分类
PREAI
分享收藏DSGAU: Dual-Scale Graph Attention U-Nets for Hyperspectral Image Classification With Limited SamplesDsgau: 双尺度图注意力U-Net用于小样本高光谱图像分类
PREAI
分享收藏Superpixel-based multi-scale multi-instance learning for hyperspectral image classification.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
查看更多内容