S2RC-GCN：一种基于高光谱影像的空间 - 光谱可靠对比图卷积网络用于复杂土地覆盖分类
原文中文，约1400字，阅读约需4分钟。
📝
内容提要
本文介绍了一种基于对比学习的图卷积网络模型（ConGCN），旨在增强高光谱图像分类的特征表示能力。通过半监督对比损失和图生成损失，该模型在多个基准数据集上实现了显著的性能提升。此外，提出的自适应空间-光谱图卷积网络也在高光谱图像分类中表现出优越性。
🔎
延伸解读
对比学习与图卷积的融合思路
文章提出的ConGCN模型将对比学习与图卷积网络结合，通过半监督对比损失和图生成损失，从光谱信息和空间关系中挖掘监督信号。这种设计旨在增强高光谱图像分类的特征表示能力，为复杂土地覆盖分类提供新思路。
自适应空间-光谱图卷积网络的创新点
该网络包含空间图卷积子网络、光谱图卷积子网络和图交叉注意力融合模块，通过注意力机制融合空间和光谱特征，并探索优化图形的思想。在两个高光谱图像数据集上，该方法性能优于其他分类方法。
实验验证与性能提升
ConGCN在四个典型基准数据集上取得了显著性能提升，而自适应空间-光谱图卷积网络也在两个数据集上验证了优越性。这些实验结果表明，所提方法能有效提升高光谱图像分类的精度。
❓
Q&A
ConGCN模型的主要功能是什么？
ConGCN模型旨在增强高光谱图像分类的特征表示能力。
该模型是如何提升高光谱图像分类性能的？
通过使用半监督对比损失和图生成损失，从光谱信息和空间关系中挖掘最大监督信号。
自适应空间-光谱图卷积网络的特点是什么？
该网络通过注意力机制融合空间和光谱特征，优化了图形。
ConGCN在基准数据集上的表现如何？
在四个典型的基准数据集上，该模型实现了显著的性能提升。
该方法与其他分类方法相比有什么优势？
在两个高光谱图像数据集上，该方法的性能优于其他分类方法。
ConGCN模型使用了哪些损失函数？
该模型使用了半监督对比损失函数和图生成损失函数。
🏷️
