圖學(xué)習(xí)方法及其在高光譜影像處理中的應(yīng)用

目錄
前言
第1章 緒論 1
1.1 課題研究的背景與意義 1
1.2 國內(nèi)外研究現(xiàn)狀及存在的問題 3
1.2.1 傳統(tǒng)高光譜影像分類方法及存在問題 3
1.2.2 基于深度學(xué)習(xí)模型的高光譜影像分類方法及存在的問題 4
1.2.3 圖方法在高光譜影像分類中的應(yīng)用 7
1.3 圖神經(jīng)網(wǎng)絡(luò)介紹 8
1.3.1 譜域圖卷積 8
1.3.2 空域圖卷積 12
1.4 評(píng)價(jià)指標(biāo) 13
1.5 研究?jī)?nèi)容與章節(jié)安排 14
1.5.1 研究?jī)?nèi)容 14
1.5.2 章節(jié)安排 16
第2章 圖半監(jiān)督學(xué)習(xí)基本模型 18
2.1 引言 18
2.2 符號(hào)說明 18
2.3 圖的構(gòu)造 19
2.4 圖半監(jiān)督學(xué)習(xí)**算法 21
2.4.1 高斯場(chǎng)和調(diào)和函數(shù)法 21
2.4.2 局部全局一致性法 23
2.4.3 基于廣義圖規(guī)范化權(quán)重半監(jiān)督學(xué)習(xí)方法 23
2.5 快速圖半監(jiān)督學(xué)習(xí)模型 24
2.6 本章小結(jié) 26
第3章 基于錨點(diǎn)圖的快速半監(jiān)督學(xué)習(xí)高光譜影像分類 28
3.1 引言 28
3.2 基于錨點(diǎn)圖的快速半監(jiān)督學(xué)習(xí)模型 29
3.2.1 自適應(yīng)近鄰錨點(diǎn)圖的建立 29
3.2.2 基于錨點(diǎn)圖的快速半監(jiān)督學(xué)習(xí) 31
3.3 實(shí)驗(yàn)驗(yàn)證 33
3.3.1 高光譜影像數(shù)據(jù)庫實(shí)驗(yàn)結(jié)果 33
3.3.2 基準(zhǔn)圖像數(shù)據(jù)庫實(shí)驗(yàn)結(jié)果 40
3.4 本章小結(jié) 44
第4章 基于像素-超像素級(jí)特征聯(lián)合的高光譜影像分類 45
4.1 引言 45
4.2 高光譜影像數(shù)據(jù)的超像素分割 46
4.2.1 基于圖方法的超像素分割 47
4.2.2 基于聚類方法的超像素分割 48
4.3 網(wǎng)絡(luò)特征提取 49
4.3.1 EdgeConv圖卷積 49
4.3.2 卷積神經(jīng)網(wǎng)絡(luò)卷積運(yùn)算 50
4.4 基于超像素分割和邊卷積的圖神經(jīng)網(wǎng)絡(luò)模型 51
4.4.1 圖數(shù)據(jù)生成 52
4.4.2 超像素級(jí)的EdgeConv網(wǎng)絡(luò) 53
4.4.3 像素級(jí)的CNN 54
4.5 實(shí)驗(yàn)結(jié)果與分析 55
4.5.1 實(shí)驗(yàn)設(shè)置 55
4.5.2 分類結(jié)果對(duì)比分析 56
4.5.3 消融實(shí)驗(yàn)與參數(shù)敏感性分析 60
4.6 本章小結(jié) 62
第5章 基于全局動(dòng)態(tài)圖優(yōu)化的高光譜影像分類 64
5.1 引言 64
5.2 動(dòng)態(tài)圖結(jié)構(gòu)稀疏 65
5.3 邊權(quán)重學(xué)習(xí) 67
5.3.1 標(biāo)簽傳播算法 68
5.3.2 邊權(quán)重學(xué)習(xí)與LPA的關(guān)系 68
5.4 標(biāo)簽傳播與圖稀疏相結(jié)合的高光譜影像分類模型 69
5.4.1 自適應(yīng)圖結(jié)構(gòu)學(xué)習(xí) 70
5.4.2 Gumble-Softmax圖采樣 71
5.4.3 信息融合 72
5.5 實(shí)驗(yàn)結(jié)果與分析 73
5.5.1 實(shí)驗(yàn)設(shè)置 73
5.5.2 分類結(jié)果對(duì)比分析 73
5.5.3 消融實(shí)驗(yàn)與參數(shù)敏感性分析 77
5.6 本章小結(jié) 79
第6章 基于圖變換器的高光譜影像分類 80
6.1 引言 80
6.2 視覺變換器 80
6.3 S2GFormer方法基本框架 81
6.4 S2GFormer高光譜影像分類 83
6.4.1 高光譜影像預(yù)處理和跟隨像素塊機(jī)制 83
6.4.2 像素塊譜嵌入模塊 85
6.4.3 多層GraphFormer編碼器 86
6.4.4 算法訓(xùn)練和優(yōu)化 88
6.5 實(shí)驗(yàn)結(jié)果與分析 88
6.5.1 實(shí)驗(yàn)設(shè)置 88
6.5.2 實(shí)驗(yàn)結(jié)果對(duì)比分析 89
6.5.3 t-SNE數(shù)據(jù)分布可視化 95
6.5.4 不同數(shù)量的訓(xùn)練樣本對(duì)S2GFormer方法性能影響分析 96
6.5.5 S2GFormer超參數(shù)影響分析 98
6.5.6 消融實(shí)驗(yàn) 100
6.6 本章小結(jié) 102
參考文獻(xiàn) 103
附錄 本書所用數(shù)據(jù)集 116
1. Indian Pines數(shù)據(jù)集 116
2. Kennedy Space Center數(shù)據(jù)集 116
3. Pavia University數(shù)據(jù)集 117
4. Salinas數(shù)據(jù)集 117
5. University of Houston 2013數(shù)據(jù)集 118