MALNISI-Infused Graph Construction and Weighted Contrastive Loss based GAT for Unsupervised Representation Learning in HSI

AI 摘要

研究者 Soumi Sarkar 提出一套面向高光谱图像的无监督表示学习方法，包含三项贡献：一是提出 MALNISI 指数，依据邻域信息衡量像素相似度并构建加权邻接矩阵，将高光谱图像组织为图结构；二是改进图注意力网络，把 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以缓解过平滑、保留光谱细节；三是提出加权对比损失，使强连接像素在潜空间中靠近、弱连接像素远离，最后用谱聚类得到低维判别性嵌入。在六个基准高光谱数据集上的实验验证了三项设计的有效性，性能优于十四种现有方法。