В статье предложена объединённая сверточно-графовая модель классификации гиперспектральных изображений, направленная на решение проблем потери локальной текстуры и краевых деталей, ограничения воспринимаемого поля сверточного блока и недостаточного использования информации межслоевой структуры графового блока. Метод улучшает качество входных признаков за счёт усиления высоких и низких частот с помощью остаточных связей, использует многоступенчатое динамическое свёрточное кодирование для извлечения многошкальных пространственно-спектральных признаков в свёрточной ветви, а также применяет взвешенное агрегирование межслойных графовых признаков для усиления способности моделирования региональной структуры в графовой ветви. Координация двух ветвей достигается через кросс-внимание. Эксперименты проведены на трёх общедоступных наборах данных: Indian Pines, Pavia University и Salinas, достигнуто общее качество классификации 92,94%, 95,11% и 97,50% соответственно, коэффициенты Каппа — 91,94%, 93,50% и 97,22%. Результаты показывают, что предложенный метод эффективно учитывает локальные детали, пространственный контекст и топологическую информацию региона, демонстрируя хорошие общие классификационные свойства в различных сценариях гиперспектральной классификации.

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