arXiv cs.AI· Soumi Sarkar, Subhadip Boral, Sarbani Palit, Ashish Ghosh·· 1 天前AI 评分18
MALNISI 加权图构建与加权对比损失驱动的 GAT：高光谱图像无监督表示学习
MALNISI-Infused Graph Construction and Weighted Contrastive Loss based GAT for Unsupervised Representation Learning in HSI
AI 导读
研究提出 MALNISI 指数，基于像素邻域信息度量相似度并构建加权邻接矩阵，为高光谱图像赋予图结构。配套的改进型 Graph Attention Network 将 MALNISI 权重作为辅助特征融入多头注意力，并结合残差连接、跳跃投影与特征归一化缓解过平滑。加权对比损失使强连接像素在潜空间保持接近，在六个基准 HSI 数据集上优于十四种 SOTA 方法。
正文 · AI 翻译
摘要：高光谱图像（HSI）由于具有高维信息，在土地利用方面具备具有判别力的光谱特征。近来，使用图神经网络的无监督表示学习揭示了这些与利用相关的复杂光谱关系。本文有三项主要贡献。第一，提出一个指标，即平均绝对局部邻域逆光谱指数（MALNISI），它基于邻域信息度量两个像素之间的相似性。该指标用于构建加权邻接矩阵，赋予 HSI 图结构。第二，提出一种升级的图注意力网络，从所构建的图中学习高光谱数据的紧凑潜在表示。在该网络中，增强的多头注意力机制将 MALNISI 权重作为辅助特征纳入，以强调相邻像素之间学习到的注意力。为缓解过度平滑并保留细粒度光谱细节，该架构集成了残差连接、跳跃投影和特征归一化，它们共同增强了表示能力、稳定了学习并加速了收敛。第三，提出一种加权对比损失函数，它在相连像素之间纳入邻域感知的 MALNISI，促使高维空间中强连接的像素在潜在空间中保持接近，而弱连接的像素保持分离。随后使用谱聚类对得到的具有判别力的低维嵌入进行聚类。在六个基准 HSI 数据集上的实验分析证明了上述三项贡献的有效性和必要性，对比研究突出了其优于十四种最先进方法的性能。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.17199 [cs.CV] |
| （或 arXiv:2611.17199v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.17199 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Soumi Sarkar [查看电子邮件]
[v1]
2026年11月12日星期四 18:02:53 UTC（10,685 KB）
来源：arXiv cs.AI · arxiv.org