Redes Convolucionais Gráficas Espectrais-Espaciais para Classificação Semissupervisionada de Imagens Hiperespectrais

Coletar amostras rotuladas é bastante caro e demorado para a tarefa de classificação de imagem hiperespectral (HSI). A estrutura de aprendizado semissupervisionado, que combina as informações intrínsecas de amostras rotuladas e não rotuladas, pode aliviar a deficiência de amostras rotuladas e aumentar a precisão da classificação HSI. Neste artigo, propomos uma nova estrutura de aprendizado semissupervisionado baseada em redes convolucionais gráficas espectrais-espaciais (S 2 GCNs). Ela utiliza explicitamente os nós adjacentes no gráfico para aproximar a convolução. No processo de convolução aproximada no gráfico, o método proposto faz pleno uso das informações espaciais do pixel atual. Os resultados experimentais em três conjuntos de dados HSI da vida real, ou seja, Botswana Hyperion, Kennedy Space Center e Indian Pines, mostram que o S 2 GCN proposto pode melhorar significativamente a precisão da classificação. Por exemplo, a precisão geral nos dados indianos aumentou de 66,8% (GCN) para 91,6%.