【Paper】Graph Convolutional Networks for Hyperspectral Image Classification

目前的現狀

（1）雖然CNN在捕捉空-譜資訊具備優勢，但是它在樣本之間的模組化能力依然有限。

（2）由于在所有資料上都要構造鄰接矩陣，傳統的GCN計算量很大，特别是在大規模的遙感問題上。

本文貢獻

GCNs 超越了網格采樣的局限性，并成功地應用于不規則（或非網格）資料的表示和分析。

（1）本文從HS圖像分類的角度對CNNs和GCNs（定性和定量）進行了深入的研究；

（2）針對GCN計算量很大，提出了一種新的小批量GCN（簡稱miniGCN），它允許以小批量的方式訓練大規模GCN。miniGCN能夠在不重新訓練網絡和提高分類性能的情況下推斷出樣本外的資料；

（3）由于CNNs和GCNs可以提取不同類型的HS特征，突破了單一模型的性能瓶頸，融合了二者；探索了三種融合政策：additive fusion（加性融合）, element-wise multiplicative fusion（單元乘性融合）, and concatenation fusion（級聯融合）；

（4）在三個HS資料集上進行了大量的實驗，證明了miniGCNs相對于GCN的優勢，以及所測試的融合政策相對于單個CNN或GCN模型的優越性。