Graph information bottleneck for remote sensing segmentation

Yuntao Shou

doi:10.1016/j.neucom.2025.131662

Graph information bottleneck for remote sensing segmentation

2025-10-11

0

PRE

AI

DOI：10.1016/j.neucom.2025.131662

原文链接

原文求助

摘要

En 中文

遥感图像分割在环境保护、城市变化检测等领域具有广泛的应用。尽管基于深度学习的遥感图像分割方法（如CNN和Transformer）取得了成功，但它们在建模不规则对象时灵活性不足。此外，现有的图对比学习方法通常采用最大化互信息的方法来保持不同图视图中节点表示的一致性，这可能导致模型学习到与任务无关的冗余信息（即与下游任务无关的信息，包括冗余和噪声）。为解决上述问题，本文将图像视为图结构，并引入了一种新颖的用于遥感图像分割的图信息瓶颈（GIB-RSS）架构。具体而言，我们构建了一种节点掩码和边掩码的图视图，以获得最优的图结构表示，该表示能够自适应地学习是否掩码节点和边。这里，最优图结构表示指的是在GIB目标下从掩码图视图中获得的精炼节点和边嵌入，其中保留了与任务相关的结构信息，同时抑制了与任务无关的冗余和噪声。此外，本文创新性地将信息瓶颈理论引入图对比学习中，以在最大化任务相关信息的同时最小化任务无关的冗余信息。最后，我们将UNet中的卷积模块替换为GIB-RSS模块，以完成遥感图像的分割和分类任务。在公开的真实数据集上的广泛实验表明，我们的方法优于当前最先进的遥感图像分割方法。

Graph information bottleneck for remote sensing segmentation

摘要

期刊

机构

引用论文