Feature Fusion via Deep Residual Graph Convolutional Network for Hyperspectral Image Classification

高光谱成像 判别式 人工智能 残余物 模式识别(心理学) 计算机科学 图形 卷积神经网络 平滑的 特征(语言学) 特征提取 保险丝(电气) 计算机视觉 算法 哲学 工程类 电气工程 理论计算机科学 语言学
作者
Rong Chen,Guanghui Li,Chenglong Dai
出处
期刊:IEEE Geoscience and Remote Sensing Letters [Institute of Electrical and Electronics Engineers]
卷期号:19: 1-5 被引量:5
标识
DOI:10.1109/lgrs.2022.3192832
摘要

Recently, graph convolutional network (GCN) has been applied for hyperspectral image (HSI) classification and obtained better performance. The main issue in HSI classification is that the high-resolution HSI contains more complex spectral-spatial structure information. However, the previous GCN-based methods applied in HSI classification only adopted a shallow GCN layer and they can not extract the deeper discriminative features. In addition, these methods ignored the complementary and correlated information among multi-order neighboring information extracted by multiple GCN layers. In this letter, a novel feature fusion via deep residual graph convolutional network is proposed to explore the internal relationship among HSI data. On the one hand, benefiting from residual learning to alleviate the over-smoothing problem, we can construct deep GCN layers to excavate deeper abstract features of HSI. On the other hand, we fuse the outputs of different GCN layers, and thus, the local structural information within multi-order neighborhood nodes can be fully utilized. Extensive experiments on four real HSI data sets, including Indian Pines, Pavia University, Salinas, and Houston University, demonstrate the superiority of the proposed method compared with other state-of-the-art methods in various evaluation criteria.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
1秒前
秋子骞完成签到 ,获得积分10
1秒前
A0228号卫星完成签到 ,获得积分10
1秒前
塔菲尔完成签到 ,获得积分10
3秒前
longtengfei完成签到,获得积分10
3秒前
DZQ2024发布了新的文献求助10
3秒前
西早07完成签到,获得积分10
4秒前
4秒前
qianqian完成签到,获得积分10
4秒前
songjin完成签到 ,获得积分10
6秒前
研友_gnv61n完成签到,获得积分10
7秒前
GSQ完成签到,获得积分10
7秒前
xiao完成签到 ,获得积分10
7秒前
8秒前
手动阀发布了新的文献求助10
8秒前
jin完成签到,获得积分10
9秒前
隐形的果汁完成签到,获得积分20
11秒前
vtfangfangfang完成签到,获得积分10
11秒前
潜放完成签到,获得积分10
12秒前
clay_park完成签到,获得积分10
12秒前
13秒前
英姑应助冬虫夏草采纳,获得10
13秒前
这丁发布了新的文献求助10
14秒前
15秒前
半圆亻完成签到 ,获得积分10
15秒前
hyperthermal1完成签到,获得积分10
16秒前
17秒前
19秒前
20秒前
21秒前
鹏程完成签到,获得积分10
23秒前
王小胖发布了新的文献求助10
23秒前
蓝枫发布了新的文献求助10
23秒前
激动的乐安完成签到 ,获得积分10
23秒前
冬虫夏草发布了新的文献求助10
26秒前
共享精神应助蓝歆采纳,获得10
26秒前
EricFan发布了新的文献求助10
26秒前
枫倾杨完成签到,获得积分20
28秒前
28秒前
高分求助中
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Bayesian Models of Cognition:Reverse Engineering the Mind 888
Very-high-order BVD Schemes Using β-variable THINC Method 568
Chen Hansheng: China’s Last Romantic Revolutionary 500
XAFS for Everyone 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3137174
求助须知:如何正确求助?哪些是违规求助? 2788239
关于积分的说明 7785062
捐赠科研通 2444183
什么是DOI,文献DOI怎么找? 1299854
科研通“疑难数据库(出版商)”最低求助积分说明 625586
版权声明 601011