Key points are not available for this paper at this time.
Die Knoten-Einbettung (NE) fördert die Aggregation von Korrelationen und verringert den Einfluss des Hughes-Phänomens bei der Verarbeitung hochdimensionaler Daten. Obwohl einige Graph-neuronale Netzwerke Korrelationen während der NE-Erreichung erfassen können, steht die Anwendung von NE immer noch vor zwei strengen Herausforderungen: zahlreichen Modellparametern und schlechter Generalisierbarkeit. In diesem Artikel schlagen wir einen neuen Ansatz zur Klassifizierung hyperspektraler Bilder (HSI) vor, der als graph-schnitt-basierte kollaborative NEs (GCCNE) bezeichnet wird. Konkret entwickeln wir eine graph-schnitt-basierte NE (GCNE), um eine niederdimensionale Merkmalsdarstellung zu erreichen, die zahlreiche Modellparameter beim Einsatz einer Graphstruktur vermeidet. Da der Graph-Schnitt in einem niederdimensionalen Raum keine Anker zur Verringerung des Berechnungsaufwands setzen muss, verwenden wir einen Ensemble-Rahmen basierend auf zufälligen Teilräumen (RSs), um die GCNE zu implementieren und die kollaborativen Merkmalsmengen zu erhalten, was die Generalisierbarkeit der Merkmalsdarstellung verbessert. Anschließend werden die kollaborativen Merkmalsmengen in mehrere kernel-basierte extreme Lernmaschinen (KELMs) eingegeben, um die Pixel zu klassifizieren. Die Anzahl der RSs entspricht der Anzahl der KELMs. Schließlich erhalten wir ein Ensemble-Ergebnis, das mit jeder Klasse verbunden ist. Die Wirksamkeit und Wettbewerbsfähigkeit der vorgeschlagenen Methode werden anhand realer HSI-Datensätze bewertet.
Su et al. (Sat,) haben diese Frage untersucht.