Tensor based training driven by semi-supervised graph based learning for efficient processing of high dimensional signals

Abstract

This dissertation proposes a framework combining tensor-based neural networks (Rank-R FNN via CP decomposition) with graph-based semi-supervised learning for hyperspectral image classification. The Rank-R FNN preserves spatial-spectral structure while reducing trainable parameters, and its embeddings are used to build similarity graphs for label propagation to unlabeled samples. Validated across four benchmark datasets in over 22,000 experimental runs, the framework achieves high classification accuracy even under limited labeled data conditions.

Η παρούσα διατριβή προτείνει ένα πλαίσιο που συνδυάζει τανυστικά νευρωνικά δίκτυα (Rank-R FNN μέσω CP αποσύνθεσης) με ημι-επιβλεπόμενη μάθηση βασισμένη σε γράφους για την ταξινόμηση υπερφασματικών εικόνων. Το Rank-R FNN διατηρεί τη χωρο-φασματική δομή των δεδομένων μειώνοντας παράλληλα τον αριθμό των εκπαιδεύσιμων παραμέτρων, ενώ τα embeddings που παράγει χρησιμοποιούνται για την κατασκευή γράφων ομοιότητας και τη διάδοση ετικετών σε μη επισημειωμένα δείγματα. Αξιολογημένο σε τέσσερα benchmark σύνολα δεδομένων με πάνω από 22.000 πειραματικές εκτελέσεις, το πλαίσιο επιτυγχάνει υψηλή ακρίβεια ταξινόμησης ακόμα και υπό συνθήκες περιορισμένων επισημειωμένων δεδομένων.