nach oben

Erschienen in:

2024 | OriginalPaper | Buchkapitel

7. S²GFormer: Exploring Relationship Between Transformer and Graph Convolution 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

Recently both graph convolutional neural networks (GCNs) and Transformers have shown promising progress in hyperspectral image (HSI) classification. Transformer-based methods have a great ability to model non-local interactions among spectral and spatial information, whereas GCNs tend to do well in exploiting neighborhood vertex interactions based on their unique aggregation mechanism.

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 Unifying Label Propagation and Graph Sparsification for Hyperspectral Image Classification

Nächstes Kapitel Self-Supervised Locality Preserving Low-Pass Graph Convolutional Embedding for Large-Scale Hyperspectral Image Clustering

Y. Ding, Z. Zhang, X. Zhao, W. Cai, N. Yang, H. Hu, X. Huang, Y. Cao, W. Cai, Unsupervised self-correlated learning smoothy enhanced locality preserving graph convolution embedding clustering for hyperspectral images. IEEE Trans. Geosci. Remote Sens. 60, 1–16 (2022)

D. Hong, L. Gao, J. Yao, B. Zhang, A. Plaza, J. Chanussot, Graph convolutional networks for hyperspectral image classification. IEEE Trans. Geosci. Remote Sens. 59(7), 5966–5978 (2020)CrossRef

Y. Ding, X. Zhao, Z. Zhang, W. Cai, N. Yang, Graph sample and aggregate-attention network for hyperspectral image classification. IEEE Geosci. Remote Sens. Lett. 19, 1–5 (2022)

Z. Chen, Z. Lu, H. Gao, Y. Zhang, J. Zhao, D. Hong, B. Zhang, Global to local: a hierarchical detection algorithm for hyperspectral image target detection. IEEE Trans. Geosci. Remote Sens. 60, 1–15 (2022)

J.D.M.-W.C. Kenton, L.K. Toutanova, BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding, pp. 4171–4186

Z. Zhang, Y. Ding, X. Zhao, L. Siye, N. Yang, Y. Cai, Y. Zhan, Multireceptive field: an adaptive path aggregation graph neural framework for hyperspectral image classification. Exp. Syst. Appl. 45, 119508 (2023)CrossRef

Y. Chen, H. Jiang, C. Li, X. Jia, P. Ghamisi, Deep feature extraction and classification of hyperspectral images based on convolutional neural networks. IEEE Trans. Geosci. Remote Sens. 54(10), 6232–6251 (2016)CrossRef

L. Mou, P. Ghamisi, X.X. Zhu, Deep recurrent neural networks for hyperspectral image classification. IEEE Trans. Geosci. Remote Sens. 55(7), 3639–3655 (2017)CrossRef

A. Qin, Z. Shang, J. Tian, Y. Wang, T. Zhang, Y.Y. Tang, Spectral–spatial graph convolutional networks for semisupervised hyperspectral image classification. IEEE Geosci. Remote Sens. Lett. 16(2), 241–245 (2018)CrossRef

10.

D. Hong, Z. Han, J. Yao, L. Gao, B. Zhang, A. Plaza, J. Chanussot, SpectralFormer: rethinking hyperspectral image classification with transformers. IEEE Trans. Geosci. Remote Sens. (2021)

11.

L. Sun, G. Zhao, Y. Zheng, Z. Wu, Spectral–spatial feature tokenization transformer for hyperspectral image classification. IEEE Trans. Geosci. Remote Sens. 60, 1–14 (2022)CrossRef

12.

L. Van der Maaten, G. Hinton. Visualizing data using t-SNE. J. Mach Learn. Res. 9(11) (2008)

Titel: S2GFormer: Exploring Relationship Between Transformer and Graph Convolution 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_7

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"