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
1秒前
baiaaa完成签到,获得积分10
1秒前
1秒前
安替比林完成签到,获得积分10
2秒前
2秒前
拼搏绿柏完成签到,获得积分10
4秒前
勤恳化蛹完成签到 ,获得积分10
6秒前
7秒前
科目三应助独特的初丹采纳,获得10
7秒前
9秒前
10秒前
蒋50完成签到,获得积分10
11秒前
刘田完成签到 ,获得积分10
13秒前
ZZXX完成签到,获得积分10
13秒前
chengya发布了新的文献求助10
13秒前
Sudon完成签到 ,获得积分10
13秒前
XL发布了新的文献求助10
13秒前
阳光he完成签到,获得积分10
14秒前
14秒前
yuechat发布了新的文献求助10
15秒前
不配.应助奶昔采纳,获得10
15秒前
20秒前
123完成签到 ,获得积分10
21秒前
LaInh完成签到,获得积分10
21秒前
zhang26xian完成签到 ,获得积分10
24秒前
搜集达人应助XL采纳,获得10
26秒前
丘比特应助热依汗古丽采纳,获得10
26秒前
李健的小迷弟应助佳丽采纳,获得10
27秒前
28秒前
Dr.An完成签到 ,获得积分10
28秒前
29秒前
30秒前
丘比特应助无限的绮南采纳,获得10
33秒前
cannon8发布了新的文献求助10
34秒前
yanjiusheng完成签到,获得积分10
34秒前
ccccccc发布了新的文献求助10
34秒前
35秒前
唐宋元明清完成签到,获得积分0
35秒前
chengya驳回了Vena应助
36秒前
37秒前
高分求助中
The ACS Guide to Scholarly Communication 2500
Sustainability in Tides Chemistry 2000
Studien zur Ideengeschichte der Gesetzgebung 1000
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
Threaded Harmony: A Sustainable Approach to Fashion 810
Pharmacogenomics: Applications to Patient Care, Third Edition 800
A Dissection Guide & Atlas to the Rabbit 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 3082501
求助须知:如何正确求助?哪些是违规求助? 2735655
关于积分的说明 7538441
捐赠科研通 2385263
什么是DOI,文献DOI怎么找? 1264761
科研通“疑难数据库(出版商)”最低求助积分说明 612786
版权声明 597665