.png){kind=icon}
返回
Hyperspectral image classification using graph convolutional network: A comprehensive review
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2024.125106.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着高光谱传感器的发展，可以获取的高光谱图像越来越多，面向像素的高光谱图像分类引起了众多研究者的关注。然而，由于高光谱图像的标记数据有限和高特征维度，准确地对像素进行分类是具有挑战性的。基于图卷积网络 (GCN) 的方法由于其处理不规则数据的特殊能力，为高光谱图像分类提供了新的研究方向。GCN使用节点来表示样本，使用边来表示节点之间的关系。图卷积操作实现了节点之间的信息传播，捕获复杂的关联并促进节点分类。基于GCN的方法在高光谱图像分类中显示出巨大的潜力，因为它能够有效地从这些图像中提取光谱特征。本文对基于GCN的高光谱图像分类方法进行了全面的综述。从研究背景、传统高光谱分类方法、主流基于GCN的高光谱分类方法、面临的挑战和局限性以及未来发展五个方面进行了综述。随着GCN方法的不断发展，高光谱图像分类有望在各个领域实现更高的精度和更广泛的应用。
Keyword:
Hyperspectral image classification
Graph convolutional network (GCN)
Deep learning (DL)
Semi-supervised learning
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
.png){kind=icon}
DeconNet: End-to-End Decontaminated Network for Vision-Based Aerial TrackingDeconNet: 用于基于视觉的空中跟踪的端到端净化网络
PREAI
分享收藏Maximum Likelihood Estimation-Based Joint Sparse Representation for the Classification of Hyperspectral Remote Sensing Images基于最大似然估计的联合稀疏表示用于高光谱遥感图像分类
PREAI
分享收藏
查看更多内容