.png){kind=icon}
返回
Hypergraph neural network for remote sensing hyperspectral image super-resolution
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.113755.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着深度学习的蓬勃发展，高光谱图像（HSI）超分辨率（SR）技术取得了显著进展。现有方法通常忽略了网络学习的任务导向性以及图像中结构性和语义特征的全局分布特性，导致空间和光谱失真。为解决这些问题并实现更全面的信息表示，我们提出了一种基于超图神经网络和卷积神经网络（HGCNet）的特征融合方法。具体而言，我们基于纹理特征（T）、谱聚类（S）和位置关系（P）构建了一个三层超图，称为TSP，并设计了超图注意力模块（HGAM）。所构建的超图使网络具有独特的学习倾向性，能够更好地利用针对HSI SR任务的特征空间。此外，我们构建了一个多阶空间交互模块（MSIM），以实现网络中不同类型特征的交叉引导与融合。据我们所知，这是超图神经网络首次应用于解决HSI SR任务。在三个公开数据集上的广泛实验比较结果表明，HG-CNet的性能优于其他前沿模型。
Keyword:
Hyperspectral image
Hypergraph learning
Hypergraph neural networks
Information representation
Super-resolution
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
A review of deep-learning-based super-resolution: From methods to applications基于深度学习的超分辨率研究综述: 从方法到应用.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏Asymmetric Dual-Direction Quasi-Recursive Network for Single Hyperspectral Image Super-Resolution
PREAI
分享收藏Learning a 3D-CNN and Transformer prior for hyperspectral image-resolution高光谱图像分辨率的3D-CNN和变压器先验学习INFORMATION FUSION
OAAI
INFORMATION FUSIONIF15.5
OAAI分享收藏Cross-Scope Spatial-Spectral Information Aggregation for Hyperspectral Image Super-Resolution高光谱图像超分辨率的跨范围空间-光谱信息聚合
OAAI
OAAI分享收藏
查看更多内容