Multi-Scale Dense Graph Attention Network for Hyperspectral Classification

In recent years, numerous deep learning-based methods have gained increasing attention in hyperspectral classification, particularly the Graph Neural Network, which exhibits superior capabilities in structural description. However, a single graph structure is not suitable for hyperspectral feature representation. Therefore, we propose a novel Multiple-Scale graph network structure, known as the Multi-Scale Dense Graph Attention network for hyperspectral classification. Firstly, semi-supervised local Fisher discriminant analysis and superpixel segmentation were employed for dimensionality reduction and multi-scale graph construction, respectively. Secondly, Spectral-Spatial convolution is applied to extract shallow features from the image. Subsequently, an improved graph self-attention network is sequentially applied to each scale graph, and the different scale graphs are densely connected through spatial feature alignment modules, designed using twice matrix multiplication. Finally, the combined pixel-level feature map from multiple graph spaces is derived, and Spectral-Spatial convolution is employed to fuse the abundant feature maps for hyperspectral classification. Experimental results on various hyperspectral datasets demonstrate the superiority of our MSDesGATnet over many state-of-the-art methods. The code is available at https://github.com/l7170/MSDesGAT.git. Ces derni & egrave;res ann & eacute;es, de nombreuses m & eacute;thodes bas & eacute;es sur l'apprentissage profond ont suscit & eacute; une attention croissante dans la classification hyperspectrale, en particulier le r & eacute;seau neuronal graphique, qui pr & eacute;sente des capacit & eacute;s sup & eacute;rieures en termes de description structurelle. Cependant, une seule structure de graphe n'est pas adapt & eacute;e & agrave; la repr & eacute;sentation des caract & eacute;ristiques hyperspectrales. C'est pourquoi nous proposons une nouvelle structure de r & eacute;seau graphique & agrave; plusieurs & eacute;chelles, connue sous le nom de r & eacute;seau d'attention graphique dense & agrave; plusieurs & eacute;chelles pour la classification hyperspectrale. Tout d'abord, une analyze discriminante de Fisher locale semi-supervis & eacute;e et une segmentation de superpixel ont & eacute;t & eacute; utilis & eacute;es respectivement pour la r & eacute;duction de la dimensionnalit & eacute; et la construction de graphes & agrave; plusieurs & eacute;chelles. Ensuite, une convolution spectrale-spatiale est appliqu & eacute;e pour extraire des caract & eacute;ristiques de niveau sup & eacute;rieur & agrave; partir de l'image. Par la suite, un r & eacute;seau d'attention graphique am & eacute;lior & eacute; est appliqu & eacute; s & eacute;quentiellement & agrave; chaque graphe & agrave; diff & eacute;rentes & eacute;chelles, et les graphes & agrave; diff & eacute;rentes & eacute;chelles sont connect & eacute;s de mani & egrave;re dense gr & acirc;ce & agrave; des modules d'alignement des caract & eacute;ristiques spatiales, con & ccedil;us & agrave; l'aide de deux multiplications matricielles. Enfin, la carte des caract & eacute;ristiques combin & eacute;es au niveau des pixels & agrave; partir de plusieurs espaces de graphe est obtenue, et une convolution spectrale-spatiale est utilis & eacute;e pour fusionner les nombreuses cartes de caract & eacute;ristiques pour la classification hyperspectrale. Les r & eacute;sultats exp & eacute;rimentaux sur divers ensembles de donn & eacute;es hyperspectrales d & eacute;montrent la sup & eacute;riorit & eacute; de notre r & eacute;seau MSDesGAT par rapport & agrave; de nombreuses m & eacute;thodes de pointe. Le code est disponible sur https://github.com/l7170/MSDesGAT.git.