El rápido desarrollo de la tecnología de teledetección ha llevado a una diversidad de datos de teledetección, y las imágenes hiperespectrales, como el tipo de resolución espectral más alta, siempre han sido una importante fuente de datos para las aplicaciones de observación de la Tierra. En el campo de la visión por computadora, los algoritmos de reconocimiento de patrones basados en el aprendizaje profundo continúan desarrollándose y avanzando, lo que proporciona medios técnicos más eficaces para las aplicaciones relacionadas con la teledetección hiperespectral. Entre ellos, las redes neuronales gráficas han sido ampliamente utilizadas en las tareas de interpretación de imágenes de teledetección hiperespectral en los últimos años, y pueden utilizar relaciones potenciales entre las muestras para extraer información de contexto local y global, y generar resultados de clasificación de alta precisión. Este documento clasifica los métodos de las redes neuronales gráficas de investigaciones anteriores según la conectividad espacial, los niveles de información de los nodos y la incertidumbre del modelo. Además, este documento presenta el uso de las redes neuronales gráficas para la clasificación de imágenes de teledetección hiperespectral en diferentes modos de número de modalidades y etiquetas. Por último, este documento resume y considera las tecnologías de vanguardia de las redes neuronales gráficas por la profundidad de la imagen, la integración de otras tecnologías de aprendizaje profundo, y los grandes modelos basados en las redes neuronales gráficas. Esto proporciona orientación e ideas para la futura investigación de las redes neuronales gráficas en el campo de la teledetección.

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