Loading...
Intrinsic dimensionality kernels based feature learning strategies for hyperspectral images
Manzanarez Elvir, Sergio D.
Manzanarez Elvir, Sergio D.
Citations
Altmetric:
Abstract
This thesis introduces a novel framework for hyperspectral image classification, by preserving the intrinsic spatial-spectral relationships and emphasizing intrinsic spatial-spectral relationships and manifold geometry in high-dimensional data. Unlike traditional deep learning methods that typically assume Euclidean structures, this approach leverages manifold characteristics and intrinsic dimensionality, preserving essential spectral and spatial features during dimensionality reduction. A central innovation is the Supervised Spatially Spectrally Coherent Local Linear Embedding (S\textsuperscript{3}CLLE), which integrates label information and spatial coherence into the embedding process. This method enhances local geometry preservation and class separability, significantly improving classification accuracy. Additionally, a distance-based sparse adjacency matrix for Graph Convolutional Networks (GCNs) is proposed, demonstrating that using Wasserstein distance refines neighborhood definitions and boosts performance, particularly in few-shot learning scenarios. Combining S\textsuperscript{3}CLLE embeddings with this adaptive graph structure yields a substantial improvement in classification reliability. Experimental evaluations on benchmark datasets (Indian Pine, Pavia University, Salinas, Houston University) confirm superior accuracy and computational efficiency over state-of-the-art methods. The results highlight that incorporating manifold geometry, spatial coherence, and advanced adjacency metrics significantly advances hyperspectral image analysis, setting the groundwork for future high-dimensional data processing.
Esta tesis presenta un nuevo marco para la clasificaci´on de im´agenes hiperespectrales, preservando las relaciones intr´ınsecas espacial-espectrales y destacando la geometr´ıa del manifold en datos de alta dimensionalidad. A diferencia de los m´etodos tradicionales de aprendizaje profundo que t´ıpicamente suponen estructuras euclidianas, este enfoque aprovecha caracter´ısticas del manifold y la dimensionalidad intr´ınseca, preservando elementos espectrales y espaciales esenciales durante la reducci´on de dimensionalidad. Una innovaci´on clave es el m´etodo Embebido Lineal Local Supervisado Espacialmente Espectralmente Coherente (S3CLLE), que integra informaci´on de etiquetas y coherencia espacial en el proceso de embebido. Este m´etodo mejora la preservaci´on de la geometr´ıa local y la separabilidad de clases, aumentando considerablemente la precisi´on en la clasificaci´on. Adicionalmente, se propone una matriz de adyacencia dispersa basada en distancias para Redes de Convoluci´on en Grafos (GCNs), demostrando que el uso de la distancia de Wasserstein mejora la definici´on de vecindarios e incrementa el rendimiento, especialmente en escenarios con pocas muestras etiquetadas. Al combinar los embebidos S3CLLE con esta estructura adaptativa del grafo, se obtiene una mejora sustancial en la confiabilidad de la clasificaci´on. Las evaluaciones experimentales en conjuntos de datos de referencia (Indian Pine, Universidad de Pavia, Salinas y Universidad de Houston) confirman una precisi ´on y eficiencia computacional superiores respecto a m´etodos actuales del estado del arte. Los resultados resaltan que la incorporaci´on de geometr´ıa del manifold, coherencia espacial y m´etricas avanzadas de adyacencia impulsan significativamente el an´alisis de im´agenes hiperespectrales, estableciendo las bases para futuras investigaciones en el procesamiento de datos de alta dimensionalidad. iii
Esta tesis presenta un nuevo marco para la clasificaci´on de im´agenes hiperespectrales, preservando las relaciones intr´ınsecas espacial-espectrales y destacando la geometr´ıa del manifold en datos de alta dimensionalidad. A diferencia de los m´etodos tradicionales de aprendizaje profundo que t´ıpicamente suponen estructuras euclidianas, este enfoque aprovecha caracter´ısticas del manifold y la dimensionalidad intr´ınseca, preservando elementos espectrales y espaciales esenciales durante la reducci´on de dimensionalidad. Una innovaci´on clave es el m´etodo Embebido Lineal Local Supervisado Espacialmente Espectralmente Coherente (S3CLLE), que integra informaci´on de etiquetas y coherencia espacial en el proceso de embebido. Este m´etodo mejora la preservaci´on de la geometr´ıa local y la separabilidad de clases, aumentando considerablemente la precisi´on en la clasificaci´on. Adicionalmente, se propone una matriz de adyacencia dispersa basada en distancias para Redes de Convoluci´on en Grafos (GCNs), demostrando que el uso de la distancia de Wasserstein mejora la definici´on de vecindarios e incrementa el rendimiento, especialmente en escenarios con pocas muestras etiquetadas. Al combinar los embebidos S3CLLE con esta estructura adaptativa del grafo, se obtiene una mejora sustancial en la confiabilidad de la clasificaci´on. Las evaluaciones experimentales en conjuntos de datos de referencia (Indian Pine, Universidad de Pavia, Salinas y Universidad de Houston) confirman una precisi ´on y eficiencia computacional superiores respecto a m´etodos actuales del estado del arte. Los resultados resaltan que la incorporaci´on de geometr´ıa del manifold, coherencia espacial y m´etricas avanzadas de adyacencia impulsan significativamente el an´alisis de im´agenes hiperespectrales, estableciendo las bases para futuras investigaciones en el procesamiento de datos de alta dimensionalidad. iii
Description
Date
2025-05-12
Journal Title
Journal ISSN
Volume Title
Publisher
Collections
Keywords
HSI, hyperspectral imaging