Dieses Papier präsentiert eine Methodologie zur Bildklassifizierung unter Verwendung von Graph Neural Network (GNN)-Modellen. Wir transformieren die Eingangsbilder in Regionenadjazenzgraphen (RAGs), bei denen die Regionen Superpixel sind und Kanten benachbarte Superpixel verbinden. Unsere Experimente deuten darauf hin, dass Graph Attention Networks (GATs), die Graphfaltungen mit Selbst-Aufmerksamkeitsmechanismen kombinieren, andere GNN-Modelle übertrifft. Obwohl rohe Bildklassifizierer aufgrund von Informationsverlust während der RAG-Erstellung besser abschneiden als GATs, eröffnet unsere Methodologie eine interessante Forschungsrichtung im Bereich des Deep Learnings jenseits rechteckiger Rasterbilder, wie zum Beispiel 360-Grad-Panoramen. Die traditionellen Faltungskerne der aktuellen Standesder Technik können Panoramen nicht verarbeiten, während angepasste Superpixel-Algorithmen und die daraus resultierenden Regionenadjazenzgraphen einem GNN ohne topologische Probleme natürlicherweise zugeführt werden können.