Graph Convolutional Networks for HyperspectralImage Classification

代码：https://github.com/danfenghong/IEEE_TGRS_GCNhttps://github.com/danfenghong/IEEE_TGRS_GCN

miniGCN

相较于之前GCN的优势：GCN要一次性输入全部特征信息，计算量大、梯度下降慢，而miniGCN可以采用小样本采样。

GCN和CNN比较：

１）CNN输入是块输入，GCN输入是像素和代表像素点关系的邻接矩阵 

２）CNN可以小样本训练，GCN必须全部样本都输入进去

过程：

用采样器小样本采样，把图分为多个子图，分别计算每个样本Node的特征，然后再把所有的H相加得到全局的节点特征信息。

 

 

融合：CNN和Mini GNN融合获得空间光谱信息、和基于图拓谱结构的复杂结构信息。

三种融合策略：

 优点：

 图结构对图像的信息是一种补充；Mini GCN多样本训练解决了传统GCN全样本训练带来的训练复杂度和梯度爆炸或者消失问题。同时GCN和CNN结合是得到的信息比较全面。