包邮图卷积神经网络及其在高光谱影像分类中的应用

目录“信息感知测量前沿技术丛书”序前言第1章 绪论 11.1 背景与意义 11.2 国内外研究现状 41.2.1 高光谱影像特征提取与分类发展现状 41.2.2 图神经网络高光谱影像特征提取与分类发展现状 71.3 图神经网络综述 91.3.1 图神经网络发展历史 91.3.2 图神经网络与网络嵌入 91.3.3 图神经网络与图核方法 101.3.4 图神经网络主要模型 101.4 评价指标 151.5 研究内容 17第2章 图样本聚合高光谱影像特征提取与分类 202.1 引言 202.2 图样本聚集 212.2.1 传播规则 212.2.2 聚合器函数 222.3 上下文感知学习的多尺度图样本聚合高光谱影像分类 232.3.1 局部区域分割 232.3.2 多尺度操作 242.3.3 上下文感知学习与图形重构 252.4 实验结果与分析 282.4.1 实验设置 282.4.2 分类结果对比分析 292.4.3 不同数量的训练样本对MSAGE-CAL方法性能影响分析 332.4.4 消融实验 342.4.5 训练时间对比分析 352.5 本章小结 36第3章 CNN卷积与图卷积相结合的高光谱影像特征提取与分类 373.1 引言 373.2 卷积神经网络 383.3 MFGCN高光谱影像分类 403.3.1 像素到区域分配和光谱特征转换 403.3.2 多尺度GCN的方法 423.3.3 多尺度CNN的方法 423.3.4 多特征融合与区域到像素分配 433.3.5 基于MFGCN的高光谱影像分类 433.4 实验结果与分析 443.4.1 实验设置 443.4.2 分类结果对比分析 453.4.3 超参数的选择 503.4.4 消融实验 523.4.5 不同数量的训练样本对MFGCN方法性能影响分析 533.5 本章小结 54第4章 自回归滑动平均高光谱影像特征提取与分类 564.1 引言 564.2 自回归滑动平均卷积核实现 574.3 DARMA-CAL高光谱影像分类 584.3.1 像素到区域转换和图构建 584.3.2 ARMA图卷积层 604.3.3 具有稠密连接的邻域聚合 614.3.4 基于注意力的全局分层聚合 624.3.5 基于DARMA-CAL的高光谱影像分类 634.4 实验结果与分析 644.4.1 实验设置 644.4.2 分类结果对比分析 654.4.3 不同数量的训练样本对DARMA-CAL方法性能影响分析 704.4.4 DARMA-CAL超参数影响分析 724.4.5 消融实验 744.4.6 训练时间对比 754.5 本章小结 75第5章 自适应滤波器-聚合器高光谱影像特征提取与分类 775.1 引言 775.2 图滤波器、聚合器和消息传递神经网络 785.2.1 图滤波器 785.2.2 图卷积聚合器 785.2.3 消息传递神经网络 805.3 自适应滤波器和聚合器高光谱影像分类 805.3.1 AF2GNN高光谱影像分类概述 805.3.2 自适应滤波器机制 815.3.3 聚合器融合原理 825.3.4 AF2GNN网络实现 845.3.5 基于AF2GNN的高光谱影像分类 855.4 实验结果与分析 875.4.1 实验设置 885.4.2 分类结果对比分析 885.4.3 AF2GNN超参数影响分析 935.4.4 不同数量的训练样本对AF2GNN方法性能影响分析 955.4.5 不同分割模块影响分析 975.4.6 消融实验 985.4.7 训练时间对比分析 985.5 本章小结 99第6章 无监督低通图神经网络高光谱影像特征提取与聚类 1006.1 引言 1006.2 LGCC方法基本框架 1016.3 无监督低通图神经网络高光谱影像聚类 1016.3.1 低通图卷积自动编码器 1016.3.2 低通图卷积嵌入式自动编码器 1066.3.3 自监督聚类 1076.3.4 联合嵌入与优化 1086.3.5 像素到区域变换与图构建 1096.4 实验结果与分析 1106.4.1 实验设置 1116.4.2 实验结果对比分析 1116.4.3 t-分布随机邻居嵌入数据分布可视化 1176.4.4 LGCC方法超参数影响分析 1186.4.5 消融实验 1216.4.6 计算复杂度分析 1216.5 本章小结 122参考文献 123附录 本书所用数据集 1361. Indian Pines数据集 1362. Kennedy Space Center数据集 1363. Pavia University数据集 1374. Salinas数据集 1375. University of Houston 2013数据集 138