本論文は、高スペクトル画像分類における局所テクスチャおよびエッジの詳細が失われやすい問題、畳み込みブランチの受容野制限、グラフブランチの層間構造情報の利用不足に対処するため、高低周波強調と層間グラフ畳み込み集約を用いた畳み込み-グラフ畳み込み合同分類モデルを提案する。本手法は、高低周波残差強調により入力特徴の品質を向上させ、畳み込みブランチで多段階動的畳み込み符号化を活用してマルチスケールの空間-スペクトル特徴を抽出し、グラフ畳み込みブランチでは層間グラフ特徴の重み付き集約を採用して領域構造のモデリング能力を強化し、クロスブランチ注意融合により二方向の特徴の協調的モデリングを実現する。Indian Pines、Pavia University、およびSalinasの3つの公開データセットで実験を行い、総合分類精度はそれぞれ92.94％、95.11％、97.50％、対応するカッパ係数は91.94％、93.50％、97.22％に達した。結果は、本手法が局所の詳細、空間的文脈、および領域のトポロジー情報を兼ね備え、異なるタイプの高スペクトル分類シナリオで良好な総合分類性能を有することを示している。

高スペクトル画像分類;空間-スペクトル結合特徴;グラフ畳み込みネットワーク;注意融合