你这个代码我看不懂的博客

一、摘要卷积神经网络（CNN）在表示高光谱图像和实现高光谱图像分类方面表现出令人印象深刻的能力。然而，传统的CNN模型只能对固定大小和权重的规则正方形图像区域进行卷积，因此不能普遍适用于具有不同对象分布和几何外观的不同局部区域。因此，它们的分类性能仍有待提高，尤其是在类边界方面。为了缓解这一缺点，我们考虑采用最近提出的图卷积网络（GCN）进行高光谱图像分类，因为它可以对任意结构的非欧几里德数据进行卷积，并且适用于由图拓扑信息表示的不规则图像区域。与常用的GCN模型工作在固定图上不同，我们使图能够随着图卷积

一、文章摘要卷积神经网络（CNN）由于能够捕捉空间-光谱特征表示，在高光谱（HS）图像分类中受到越来越多的关注。然而，他们对样本之间关系建模的能力仍然有限。除了网格采样的局限性，最近提出了图卷积网络（GCN），并成功地应用于不规则（或非网格）数据的表示和分析。在本文中，我们从HS图像分类的角度对CNN和GCN（定性和定量）进行了深入研究。由于在所有数据上构造邻接矩阵，传统的GCN通常会遭受巨大的计算成本，尤其是在大规模遥感（RS）问题中。为此，我们开发了一种新的小批量GCN（以下称为小批量GCN），它允许