El rápido desarrollo de las tecnologías de teledetección ha traído consigo una diversidad de datos de teledetección, y las imágenes hiperespectrales, como el tipo con la mayor resolución espectral, siempre han sido una fuente importante de datos para diversas aplicaciones de observación terrestre. En el campo de la visión por computadora, los algoritmos de reconocimiento de patrones, representados por el aprendizaje profundo, también han experimentado un desarrollo y avance continuos, lo que proporciona medios tecnológicos más eficaces para las aplicaciones relacionadas con la teledetección hiperespectral. Las redes neuronales gráficas son un método eficaz ampliamente utilizado en las tareas de interpretación de imágenes hiperespectrales en los últimos años. Pueden utilizar una pequeña cantidad de muestras marcadas para extraer relaciones potenciales entre las muestras y extraer información de contexto local y global para producir resultados de clasificación de alta precisión. En este estudio, se resumen las estructuras formales de las redes neuronales gráficas más utilizadas a partir de investigaciones anteriores y se analizan las características de los métodos descomponiendo su estructura para clasificarlos. Los resultados de la investigación se clasificaron en función del alcance espacial del enlace, el nivel de información del nodo y la incertidumbre del modelo. Además, se presentan las aplicaciones de las redes neuronales gráficas en la clasificación de imágenes hiperespectrales para diferentes números de modalidades y etiquetas. Por último, se resumen y examinan las tecnologías avanzadas de las redes neuronales gráficas utilizando redes gráficas profundas, la integración de otras tecnologías de aprendizaje profundo y modelos voluminosos basados en redes neuronales gráficas.

Teledetección hiperespectral; clasificación; redes neuronales gráficas; redes convolucionales gráficas; aprendizaje profundo