基于超像素的超图神经网络结合主动学习技术，用于高效的高光谱图像分类

《Neurocomputing》：Superpixel-based hypergraph neural networks with active learning for efficient hyperspectral image classification

高光谱图像分类中提出了一种超像素基三维超图神经网络框架，通过空间相邻与谱相似性构建超边，结合谱空双约束连接策略增强全局上下文建模，并采用不确定性感知主动学习机制减少标注需求。

　　近年来，随着遥感技术的发展，高光谱图像（Hyperspectral Image, HSI）在多个领域中的应用日益广泛。HSI能够提供丰富的光谱信息，其数据由多个窄波段组成，每个波段都记录了地表物体的反射特性。这种高维度的数据结构使得HSI在地表覆盖分类、目标检测、医学诊断以及地质勘探等任务中展现出巨大的潜力。然而，HSI分类仍然面临诸多挑战，尤其是在如何有效提取光谱-空间特征以及如何在有限标注样本的情况下提升模型性能方面。

传统图像分类方法主要依赖于光谱信息，通常采用基于支持向量机（SVM）或稀疏表示等机器学习技术。尽管这些方法在早期取得了不错的成果，但由于其在特征学习上的局限性，往往难以满足HSI中复杂关系建模的需求。随着深度学习的兴起，卷积神经网络（CNN）因其强大的特征提取能力被广泛应用于HSI分类任务。CNN可以通过多尺度滤波器和残差学习机制，有效捕捉图像中的局部和全局特征。然而，深度学习模型通常需要大量的标注数据来实现高性能，而获取高质量的标注数据对于HSI来说成本高昂且耗时。

为了解决标注样本不足的问题，研究者们提出了少样本学习（Few-shot Learning, FSL）和半监督学习等方法，旨在利用有限的标注数据提升分类精度。此外，主动学习（Active Learning, AL）作为一种通过选择最有信息量的样本进行标注的策略，也被认为是减少标注成本的有效手段。AL通过评估模型对样本的预测不确定性，优先标注那些模型难以确定类别的样本，从而逐步优化模型性能。然而，现有方法在处理HSI时往往忽视了其光谱-空间特征的复杂性，导致分类效果受限。

针对上述问题，本文提出了一种新颖且统一的框架，即基于超像素的超图神经网络与主动学习相结合的SHNN-AL方法。该方法首先通过超像素分割技术将HSI划分为具有相似光谱特性的局部区域，这些区域能够保留图像的空间结构信息，同时增强光谱一致性。随后，引入一种称为“光谱-空间双约束链接”（Spectral-Spatial Dual-Constraint Linking, SSDCL）的策略，以增强超图的全局建模能力。SSDCL通过识别相邻超像素之间的共享像素，建立跨超像素的连接，从而在保持局部信息的同时，实现更广泛的上下文建模。

在构建超图的过程中，超像素不仅能够保留局部光谱特征，还通过多节点超边的结构形式，使得模型能够更全面地捕捉HSI中的光谱-空间关系。相比传统的基于二元边的图结构，超图结构能够更灵活地表示复杂的多维关系，例如，多个像素共同参与某个超边的定义，从而反映出这些像素在光谱或空间上的协同特性。此外，本文还设计了一个不确定性感知的主动学习模块，该模块基于类概率熵选择最具信息量的像素进行标注。通过不断迭代地从超图分类器中查询低置信度的样本，模型能够逐步优化其分类边界，从而在有限的标注条件下实现更高的分类精度。

本文的主要贡献可以归纳为三个方面。首先，提出了一种基于超像素的超图构建策略，该策略能够有效地表达HSI的光谱-空间特性。通过结合超像素区域内的空间邻近性和光谱相似性，构建出具有更强表达能力的超图结构，从而更好地捕捉HSI中的复杂关系。其次，设计了SSDCL策略，通过识别相邻超像素之间的共享像素，建立跨区域的连接，从而在保持局部信息的同时，提升模型的全局建模能力。最后，构建了一个统一的SHNN-AL框架，将基于超像素的超图神经网络与不确定性感知的主动学习相结合，实现了在有限标注样本下的高效分类。

为了验证所提出方法的有效性，本文在三个经典的HSI数据集上进行了实验。这些数据集包括Indian Pines、Pavia University和Houston 2013，它们分别代表了不同的地表覆盖场景，涵盖了多种地物类型，为评估模型的泛化能力提供了丰富的数据支持。实验结果显示，SHNN-AL在标注样本数量较少的情况下，仍然能够取得优于当前先进方法的分类精度。这表明，本文提出的方法不仅在理论上具有创新性，而且在实际应用中也展现出良好的性能。

本文的研究为HSI分类提供了一种新的思路，即通过构建更具表达力的超图结构，结合主动学习策略，实现对有限标注数据的有效利用。这种方法不仅能够提升分类精度，还能显著降低标注成本，对于实际应用中的HSI处理具有重要意义。未来的研究方向可能包括进一步优化超图结构的构建方式，探索更高效的主动学习策略，以及将该方法应用于更广泛的遥感图像分析任务中。此外，还可以考虑将超图神经网络与其他深度学习技术相结合，以提升模型在复杂场景下的适应能力。