【Paper】Nonlocal Graph Convolutional Networks for Hyperspectral Image Classification

1. 当前现状

（1）CNN和RNN中在高光谱的分类中应用广泛，它们属于一种监督分类学习，依赖于充足的训练样本。对于标记好的训练样本，收集起来相当昂贵（可以理解为费时，费力）；

（2）未被标记的样本可以以任意数据来获取；

2. 明确本文工作

针对以上问题，本文指出：能够同时探索并利用标记和未标记数据进行高光谱图像分类的网络将是一个非常有趣的问题！（其实就是作者看了GCN半监督分类的优势）

3. 工作

提出一种 nonlocal graph convolutional network (nonlocal GCN)；不同于传统的CNN和RNN网络，它们是将像素块输入到网络；而 nonlocal GCN将整张图像（包括标记和未标记像素）输入到图片中；

具体而言，nonlocal GCN 是一种端到端的分类模型。

（1）首先，计算nonlocal graph：该网络首先将整个高光谱图像表示为一个非局部图，其中每个顶点代表图像中的一个像素。

（2）然后，给定这些graph的表示，使用一组GCN卷积层提取特征；

（3）最后，利用交叉熵误差对所有标记实例进行半监督学习。

作者表明，nonlocal GCN能够提供有竞争力的结果和高质量的分类图（具有精细的边界并且没有噪声的散乱的误分类点）。

4. 本文贡献

（1）通过一个基于图的半监督网络进行高光谱图像分类。与现有的网络（如CNNs和RNNs）不同，CNNs和RNNs接收图像的局部部分（例如像素和补丁）作为输入，本文网络接收整个高光谱图像；

（2）与CNN捕获感受野的方式不同，本文方法使用非局部的、数据驱动的图表示来完成高光谱图像分类；

（3）在三个基准数据集上进行了实验，实证结果显示了所提出网络的优势。此外，提出的网络可以提供更高质量的分类图。

5. 笔记

作者在文中指出，在之前的一些GCN应用于高光谱分类的工作中，
在机载或星载高光谱图像中，像素分类的可能受益于远程像素，而不仅仅是其相邻像素。