[리뷰] WSGraphCL: Weak-Strong Graph Contrastive Learning for Hyperspectral Image Classification 깃허브

WSGraphCL: Weak-Strong Graph Contrastive Learning for Hyperspectral Image Classification 깃허브만 참조하였음. (논문 X)

 

Graph Contrastive Learning (GraphCL)이란?

• 데이터의 다양한 관점을 비교(대조)하여 노드나 그래프의 표현을 학습하는 방법
• 목표는 학습된 공간에서 유사한 노드나 구조가 서로 가까이 있는 반면, 서로 다른 노드나 구조는 더 멀리 떨어져 있는 표현을 학습하는 것

 

HSI Classification Challenging ?

• noisy HSI에서 세밀한 토지 유형을 정확하게 분류하는 것은 여전히 ​​​​어려운 일임
• 기존 딥러닝 모델은 noisy 초분광 데이터에서 특징을 추출하는데 어려움을 겪는 경우가 많으며 학습을 위해 레이블이 지정된 대규모 데이터 세트가 필요함

 

WSGraphCL ?

• 대조 학습과 그래프 신경망(GNN)을 통합함
• 약한 증강(Weak augmentation)과 강한 증강(Strong augmentation)을 활용함
• false-negative 쌍(pairs)을 필터링함으로써 사전학습 과정을 안정화하고 강력한 표현을 학습함.
• 이를 통해 최소한의 레이블이 지정된 데이터로 효과적인 HSI 분류 가능

 

WSGraphCL 장점

• 모델이 레이블이 지정되지 않은 그래프 데이터에서 유용한 패턴을 학습하는 데 도움됨
• 레이블이 지정된 데이터가 부족하거나 획득하는 데 비용이 많이 드는 경우 유용함
• noisy HSI 데이터를 효과적으로 처리하도록 구축되었음

 
주요 특징

• Graph Neural Network Architecture: 효과적인 특징 추출을 위해 스펙트럼-공간 인접 행렬을 활용하여
  K-hop 하위 그래프(K-hop subgraph)를 구성함
• Contrastive Learning: 레이블이 없는 HSI 데이터에 대한 그래프 기반 인코더를 사전 학습하여 사람에 의한 라벨링 필요성을 줄임
• Weak-Strong Augmentations: 훈련 중에 다양한 증강을 활용하여 학습된 표현의 품질을 향상시킴
• Few-Shot Learning: 소수의 라벨이 붙은 샘플로도 탁월한 성능을 보여 데이터 부족 문제 해결

 

WSGraphCL 아키텍처

 

---

보충 설명

 

1. 그래프의 이해

그래프는 노드(정점)와 엣지(간선)로 구성된 구조입니다. 예를 들어, 친구 관계를 나타내는 그래프에서 각 친구가 노드가 되고, 친구들 간의 관계가 엣지가 됩니다.

2. K-hop의 정의

K-hop은 특정 노드에서 시작하여 K개의 엣지를 통해 도달할 수 있는 모든 노드를 포함하는 범위를 의미합니다. K의 값에 따라 탐색할 수 있는 범위가 달라집니다.

3. K-hop subgraph 생성

   - 시작 노드 선정: 그래프 내의 특정 노드(예: A)를 선택합니다.

   - K의 값 설정: K의 값을 정합니다. 예를 들어, K=2면 두 단계 내의 노드를 탐색합니다.

   - 탐색:

     - K=1일 경우: A와 직접 연결된 노드들만 포함됩니다.

     - K=2일 경우: A와 연결된 노드들 및 그 노드들과 연결된 노드들까지 포함됩니다.

4. 결과: K-hop subgraph는 선택한 노드에서 K개의 엣지를 통해 도달할 수 있는 모든 노드를 포함한 서브그래프입니다. 이 서브그래프는 노드와 엣지로 구성됩니다.

 

 

참고 URL & Source Code  :

https://github.com/zhu-xlab/WSGraphCL?tab=readme-ov-file#key-features