Быстрое развитие технологии дистанционного зондирования привело к многообразию дистанционных данных, и высокоспектральные изображения, как наиболее разрешенный спектральный тип, всегда были важным источником данных для наблюдений за землей. В области компьютерного зрения алгоритмы распознавания образов, основанные на глубоком обучении, продолжают развиваться и продвигаться, что обеспечивает более эффективные технические средства для связанных с высокоспектральным дистанционным зондированием приложений. Среди них графовые нейронные сети широко используются в последние годы в задачах интерпретации изображений высокоспектрального дистанционного зондирования, и могут использовать потенциальные отношения между образцами для извлечения локальной и глобальной контекстной информации и генерации высокоточных результатов классификации. В настоящем документ несколько наилучших фреймворков графовых нейронных сетей, путем разложения структуры каждого фреймворка для анализа особенностей методов литературы, и классификации этих методов. В настоящем документа анализируются методы графовых нейронных сетей в области дистанционного зондирования на основе соединений, уровней информации узла и неопределенности модели, соответственно. Кроме того, в настоящем документе представлено использование графовых нейронных сетей для классификации изображений высокоспектрального дистанционного зондирования в разных режимах числа модальностей и числа пометки. Наконец, в настоящем документе суммируются и предвидят фронтальные технологии графовых нейронных сетей по глубинному изображению, объединению других технологий глубокого обучения, большие модели в основе графовых нейронных сетей. Это обеспечивает направления и идеи для исследований графовых нейронных сетей в области дистанционного зондирования в будущем.

hyperspectral remote sensing;classification;graph neural network;graph convolutional networks;deep learning