本書主要研究內容是利用圖學習方法進行高光譜影像分類，重點圍繞模型構建、改進圖信息傳播方式、提升構圖質量等方面展開研究，提出了多種基于圖學習的高光譜影像分類方法。本書的主要研究內容總結如下：第1章主要介紹了本書的研究背景，說明了高光譜遙感影像分類的現(xiàn)實意義，概述了高光譜遙感影像分類現(xiàn)狀和存在的問題。第2章闡述了圖半監(jiān)督學習的基本理論知識，圖的構造方法，圖半監(jiān)督學習的經典模型，能夠有效處理大規(guī)模數(shù)據(jù)的快速圖半監(jiān)督學習模型。第3章提出了圖半監(jiān)督學習經典算法高光譜影像分類方法。第4章提出了一種基于像素-超像素級特征聯(lián)合的圖神經網絡學習模型。第5章提出了基于全局動態(tài)圖優(yōu)化的高光譜影像分類。第6章提出了空間光譜特征增強的Graphformer框架(S2GFormer)。

更多科學出版社服務，請掃碼獲取。

“強度關聯(lián)XXXX成像-測距一體化技術研究”的課題，總負責人（本書依托項目）

目錄
“信息感知測量前沿技術叢書”序
前言
第1章 緒論 1
1.1 背景與意義 1
1.2 國內外研究現(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 圖神經網絡高光譜影像特征提取與分類發(fā)展現(xiàn)狀 7
1.3 圖神經網絡綜述 9
1.3.1 圖神經網絡發(fā)展歷史 9
1.3.2 圖神經網絡與網絡嵌入 9
1.3.3 圖神經網絡與圖核方法 10
1.3.4 圖神經網絡主要模型 10
1.4 評價指標 15
1.5 研究內容 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 上下文感知學習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 上下文感知學習與圖形重構 25
2.4 實驗結果與分析 28
2.4.1 實驗設置 28
2.4.2 分類結果對比分析 29
2.4.3 不同數(shù)量的訓練樣本對MSAGE-CAL方法性能影響分析 33
2.4.4 消融實驗 34
2.4.5 訓練時間對比分析 35
2.5 本章小結 36
第3章 CNN卷積與圖卷積相結合的高光譜影像特征提取與分類 37
3.1 引言 37
3.2 卷積神經網絡 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 實驗結果與分析 44
3.4.1 實驗設置 44
3.4.2 分類結果對比分析 45
3.4.3 超參數(shù)的選擇 50
3.4.4 消融實驗 52
3.4.5 不同數(shù)量的訓練樣本對MFGCN方法性能影響分析 53
3.5 本章小結 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)域轉換和圖構建 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 實驗結果與分析 64
4.4.1 實驗設置 64
4.4.2 分類結果對比分析 65
4.4.3 不同數(shù)量的訓練樣本對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 消融實驗 74
4.4.6 訓練時間對比 75
4.5 本章小結 75
第5章 自適應濾波器-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網絡 78
5.2.1 圖濾波器 78
5.2.2 圖卷積聚合器 78
5.2.3 消息傳遞神經網絡 80
5.3 自適應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 自適應濾波器機制 81
5.3.3 聚合器融合原理 82
5.3.4 AF2GNN網絡實現(xiàn) 84
5.3.5 基于AF2GNN的高光譜影像分類 85
5.4 實驗結果與分析 87
5.4.1 實驗設置 88
5.4.2 分類結果對比分析 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 消融實驗 98
5.4.7 訓練時間對比分析 98
5.5 本章小結 99
第6章 無監(jiān)督低通圖神經網絡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)督低通圖神經網絡高光譜影像聚類 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)域變換與圖構建 109
6.4 實驗結果與分析 110
6.4.1 實驗設置 111
6.4.2 實驗結果對比分析 111
6.4.3 t-分布隨機鄰居嵌入數(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 消融實驗 121
6.4.6 計算復雜度分析 121
6.5 本章小結 122
參考文獻 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