В статье предложена комбинированная сверточно-графовая классификационная модель с усилением низкочастотных и высокочастотных компонентов и агрегацией графовых свёрток по слоям для решения проблем потери локальной текстуры и детализации краёв в классификации гиперспектральных изображений, ограниченности поля восприятия в сверточной ветви и недостаточного использования межслойной информации в графовой ветви. Метод улучшает качество входных признаков с помощью резидуального усиления низких и высоких частот, извлекает много масштабные пространственно-спектральные признаки с помощью многоступенчатого динамического сверточного кодирования в сверточной ветви, применяет взвешенную агрегацию графовых признаков по слоям для усиления моделирования пространственной структуры в графовой ветви и реализует кооперативное моделирование двух путей признаков через кросс-ветвевое внимание. Эксперименты проведены на трёх общедоступных наборах данных Indian Pines, Pavia University и Salinas, общая точность классификации составила 92.94%, 95.11% и 97.50% соответственно, коэффициенты Каппа — 91.94%, 93.50% и 97.22%. Результаты показывают, что предложенный метод способен одновременно учитывать локальные детали, пространственный контекст и топологическую структуру регионов, обеспечивая хорошую комплексную классификационную производительность в различных сценариях гиперспектральной классификации.

классификация гиперспектральных изображений; пространственно-спектральные совместные признаки; графовые свёрточные сети; внимание и слияние