Бурное развитие технологии дистанционного зондирования привело к появлению различных данных дистанционного зондирования, и гиперспектральное изображение, как самый высокий спектральный тип разрешения, всегда остается важным источником данных для различных приложений наблюдения за землей. В области компьютерного зрения алгоритмы распознавания образов, в том числе глубокое обучение, продолжают развиваться и преодолевать, что обеспечивает более эффективные технологические средства для приложений сверхвысокого спектрального зондирования. Среди них графовая нейронная сеть является эффективным методом, широко используемым в области классификации высокоспектральных снимков в последние годы, которая может использовать потенциальные отношения между образцами, обучиться найти локальную и глобальную контекстуальную информацию, находить высокоточные результаты классификации с небольшим количеством помеченных образцов. В данной статье суммируются несколько наиболее используемых архитектур графовых нейронных сетей из существующих исследований, анализируя характерные особенности методов, и классифицируются эти методы. В данной статье классифицируются достижения в области графовых нейронных сетей на основе трех аспектов: пространственного расстояния соединения графа, уровня информации узлов графа, и неопределенности модели. Кроме того, в этой статье представляется применение графовой нейронной сети в классификации гиперспектральных изображений для различного количества модальностей и различного количества меток. Наконец, в данной статье обсуждаются и резюмируются передовые технологии графовых нейронных сетей в трех аспектах: глубокое картинное сети, совмещение других технологий глубокого обучения, большие модели на основе графов, предоставляя направления и идеи для дальнейших исследований графовых нейронных сетей в области дистанционного наблюдения.

гиперспектральное зондирование; классификация; графовые нейронные сети; графовые сверточные сети; глубокое обучение