特征提取涉及识别和提取显著特征或模式，包括边缘、纹理、形状和颜色属性。现代特征提取器主要利用深度学习架构，如卷积神经网络（CNN）和视觉变换器（VIT）。文献中多样的特征提取器提供了广泛的特征表示。图像中提取的特征依赖于特定的应用、选择的提取器及其配置。因此，通过结合不同提取器的互补信息，整合多样的特征表示是一种提升性能的有效方式。
图神经网络（GNN），特别是图卷积网络（GCN），已成为半监督图像分类中强大且广泛采用的方法，因为它们有效利用标记和未标记数据，同时利用捕捉样本间关系的底层图结构。本研究提出了一种新方法，针对标记数据稀缺的场景，通过整合来自不同提取器的多样特征和图表示来进行分类。实验研究涵盖了不同特征和图提取器的组合，以及排名聚合策略。
本工作的主要贡献通过实验结果得以突出，结果表明，特征和图表示的战略组合，以及在图处理中的流形学习应用，导致了分类准确率的显著提升。此外，利用排名聚合技术整合来自不同提取器的特征也提高了分类准确率。
博主点评： 本文提出的多特征聚合方法在半监督学习场景中展现了良好的性能，充分利用了图神经网络的优势，值得在更多领域中进行探索与应用。特征提取和图结构的结合为图像分类提供了新的思路，未来或将推动更高效的算法发展。