S2RC-GCN: A Spatial-Spectral Reliable Contrastive Graph Convolutional Network for Complex Land Cover Classification Using Hyperspectral Images

本文探讨了不同地面对象之间的空间相关性是矿业土地覆盖研究的重要特征。图卷积网络（GCNs）可以有效捕捉这种空间特征表示，并在执行复杂地区的高光谱图像（HSI）分类任务方面展现了良好的结果。然而，现有的基于GCN的HSI分类方法在提取复杂特征时容易受到冗余信息的干扰。为了更有效地分类复杂场景，本研究提出了一种新的空间-光谱可靠对比图卷积分类框架，名为S2RC-GCN。具体而言，我们融合了1D编码器和2D编码器提取的光谱和空间特征，其中2D编码器包括一个注意力模型来自动提取重要信息。然后，我们利用融合的高级特征构建图形，并将生成的图形输入GCN中以确定更有效的图形表示。此外，我们提出了一种新的可靠对比图卷积用于可靠对比学习，以学习和融合强大的特征。最后，为了测试模型在复杂对象分类方面的性能，我们使用高分五号在江夏地区拍摄的图像构建了复杂的土地覆盖数据集。测试结果表明，与其他模型相比，我们的模型取得了最佳结果，并有效提高了复杂遥感图像的分类性能。

本文旨在解决基于GCNs的HSI分类方法中存在的冗余信息干扰问题，提出了一种名为S2RC-GCN的新型分类框架。

该框架将1D和2D编码器提取的光谱和空间特征进行融合，并利用注意力模型自动提取重要信息，构建图形并将其输入GCNs以确定更有效的图形表示。

实验使用高分五号卫星拍摄的图像构建复杂的地物覆盖数据集，结果表明相对于其他模型，S2RC-GCN在复杂遥感图像分类方面表现最佳。

最近在该领域中的相关研究包括：'Hyperspectral Image Classification Based on Multi-View Information Processing and Graph Convolutional Networks'、'Hyperspectral Image Classification with Attentional Graph Convolutional Network'等。