【Paper】Graph Convolutional Networks for Hyperspectral Image Classification

当前的现状

（1）虽然CNN在捕捉空-谱信息具备优势，但是它在样本之间的建模能力依然有限。

（2）由于在所有数据上都要构造邻接矩阵，传统的GCN计算量很大，特别是在大规模的遥感问题上。

本文贡献

GCNs 超越了网格采样的局限性，并成功地应用于不规则（或非网格）数据的表示和分析。

（1）本文从HS图像分类的角度对CNNs和GCNs（定性和定量）进行了深入的研究；

（2）针对GCN计算量很大，提出了一种新的小批量GCN（简称miniGCN），它允许以小批量的方式训练大规模GCN。miniGCN能够在不重新训练网络和提高分类性能的情况下推断出样本外的数据；

（3）由于CNNs和GCNs可以提取不同类型的HS特征，突破了单一模型的性能瓶颈，融合了二者；探索了三种融合策略：additive fusion（加性融合）, element-wise multiplicative fusion（单元乘性融合）, and concatenation fusion（级联融合）；

（4）在三个HS数据集上进行了大量的实验，证明了miniGCNs相对于GCN的优势，以及所测试的融合策略相对于单个CNN或GCN模型的优越性。