nach oben

Erschienen in:

2024 | OriginalPaper | Buchkapitel

2. Graph Sample and Aggregate-Attention Network for Hyperspectral Image Classification

verfasst von : Yao Ding, Zhili Zhang, Haojie Hu, Fang He, Shuli Cheng, Yijun Zhang

Erschienen in: Graph Neural Network for Feature Extraction and Classification of Hyperspectral Remote Sensing Images

Verlag: Springer Nature Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

Hyperspectral images (HSIs) provide detailed spectral information through hundreds of (narrow) spectral channels, which can be used to accurately classify diverse materials of interest (Rasti et al. in IEEE Geosci Remote Sens 8(4):60–88, 2020; Zhong et al. in IEEE Trans Neural Netw Learn Syst 12:1–13, 2019). However, the increased dimensionality of such data provides a challenge to conventional techniques, and hyperspectral classification has great research value.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Introduction

Nächstes Kapitel Multi-feature Fusion: Graph Neural Network and CNN Combining for Hyperspectral Image Classification

B. Rasti et al., Feature extraction for hyperspectral imagery: the evolution from shallow to deep—overview and toolbox. IEEE Geosci. Remote Sens. 8(4), 60–88 (2020)CrossRef

P. Zhong, Z. Gong, J. Shan, Multiple instance learning for multiple diverse hyperspectral target characterizations. IEEE Trans. Neural Netw. Learn. Syst. 12, 1–13 (2019)

K. Djerriri, A. Safia, R. Adjoudj, M.S. Karoui, Improving hyperspectral image classification by combining spectral and multiband compact texture features, in Proceedings of the IEEE International Geosciences Remote Sensing Symposium (IGARSS) (2019), pp. 465–468

C. Bo, H. Lu, D. Wang, Hyperspectral image classification via JCR and SVM models with decision fusion. IEEE Geosci. Remote Sens. Lett. 13(2), 177–181 (2016)CrossRef

L. Wang, S. Hao, Q. Wang, Y. Wang, Semi-supervised classification for hyperspectral imagery based on spatial-spectral label propagation. ISPRS J. Photogram. Remote Sens. 97, 123–137 (2014)CrossRef

W. Hu, Y. Huang, L. Wei, F. Zhang, H. Li, Deep convolutional neural networks for hyperspectral image classification. J. Sens. 1–12, 2015 (2015)

K. Makantasis, K. Karantzalos, A. Doulamis, N. Doulamis, Deep supervised learning for hyperspectral data classification through convolutional neural networks, in Proceedings of the IEEE International Geosciences Remote Sensing Symposium (IGARSS) (2015), pp. 4959–4962

Q. Liu, F. Zhou, R. Hang, X. Yuan, Bidirectional-convolutional lstm based spectral-spatial feature learning for hyperspectral image classification. Remote Sens. 9(12), 1330 (2017)CrossRef

M. Zhang, W. Li, Q. Du, Diverse region-based CNN for hyperspectral image classification. IEEE Trans. Image Process. 27(6), 2623–2634 (2018)MathSciNetCrossRef

10.

K. He, X. Zhang, S. Ren, J. Sun, Deep residual learning for image recognition, in Proceedings of the IEEE Conference on Computer Vision Pattern Recognition (CVPR) (2016), pp. 1–9

11.

R. Kemker, C. Kanan, Self-taught feature learning for hyperspectral image classification. IEEE Trans. Geosci. Remote Sens. 55(5), 2693–2705 (2017). https://doi.org/10.1109/TGRS.2017.2651639CrossRef

12.

D. Hong, N. Yokoya, J. Chanussot, X.X. Zhu, An augmented linear mixing model to address spectral variability for hyperspectral unmixing. IEEE Trans. Image Process. (2019)

13.

A. Sha, B. Wang, X. Wu, L. Zhang, Semisu-pervised classification for hyperspectral images using graph attention networks. IEEE Geosci. Remote Sens. Lett. 8, 23 (2020)

14.

L. Mou, X. Lu, X. Li, X.X. Zhu, Nonlocal graph convolutional networks for hyperspectral image classification. IEEE Trans. Geosci. Remote Sens. 55(5), 3626–3635 (2019). https://doi.org/10.1109/TGRS.2020.3015157CrossRef

15.

D. Hong, L. Gao, J. Yao, B. Zhang, A. Plaza, J. Chanussot, Graph convolutional networks for hyperspectral image classification. IEEE Trans. Geosci. Remote Sens. 55, 5966–5978 (2020)

16.

S. Wan, C. Gong, P. Zhong, B. Du, L. Zhang, J. Yang, Multiscale dynamic graph convolutional network for hyperspectral image classification. IEEE Trans. Geosci. Remote Sens. 58(5), 3162–3177 (2020)CrossRef

17.

S. Wan, C. Gong, P. Zhong, S. Pan, G. Li, J. Yang, Hyperspectral image classification with context-aware dynamic graph convolutional network. IEEE Trans. Geosci. Remote Sens. 59, 597–612 (2021)CrossRef

18.

N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever, R. Salakhut-dinov, Dropout: a simple way to prevent neural networks from over fitting. J. Mach. Learn. Res. 15(1), 1929–1958 (2014)MathSciNet

19.

S. Zhang, S. Li, Spectral-spatial classification of hyperspectral images via multiscale super pixels based sparse representation, in Proceedings of the IEEE IGARSS (2016), pp. 2423–2426

Titel: Graph Sample and Aggregate-Attention Network for Hyperspectral Image Classification
verfasst von: Yao Ding
Zhili Zhang
Haojie Hu
Fang He
Shuli Cheng
Yijun Zhang
Verlag: Springer Nature Singapore
Buch: Graph Neural Network for Feature Extraction and Classification of Hyperspectral Remote Sensing Images
Print ISBN: 978-981-9780-08-2

Electronic ISBN: 978-981-9780-09-9

Copyright-Jahr: 2024
DOI: https://doi.org/10.1007/978-981-97-8009-9_2

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"