بالنظر إلى مشكلة صعوبة الحصول على صور الطيف الفائق الموسومة (Hyperspectral Image، HSI)، تحظى طرق تصنيف HSI المعتمدة على التعلم بعدد عينات قليلة باهتمام كبير. تفترض طرق التعلم بعدد عينات قليلة الشائعة أن توزيع عينات التدريب والاختبار متناسق. ومع ذلك، بسبب عوامل مثل ظروف التصوير، غالبًا ما توجد اختلافات في التوزيع بين مختلف صور الطيف الفائق، مما يؤدي إلى صعوبة طرق التعلم التقليدية بعدد عينات قليلة في تحقيق أداء تصنيفي عالي. بناءً عليه، تقترح هذه الورقة طريقة لتصنيف صور الطيف الفائق عبر المجالات بناءً على شبكة النماذج الأولية الثقة المُفككة. أولاً، يتم استخدام شبكة الالتفاف الثلاثية الأبعاد المتبقية لاستخراج الميزات العميقة للعينات لاكتشاف معلومات الطيفية المكانية لصور HSI بشكل كامل؛ ثم، باستخدام شبكة مفككة، يتم فصل الوظائف في الميزات العميقة لتحقيق تمثيل أكثر تركيزًا للميزات المستقلة عن النطاق والميزات الخاصة بالنطاق؛ بالإضافة إلى ذلك، يتم تصفية عينات مجموعة الاستعلام ذات مستوى الثقة العالي بواسطة شبكة النماذج الأولية الثقة وإعادة حساب النماذج الأولية للفئات الأكثر موثوقية. علاوة على ذلك، من خلال الاستفادة المتكاملة من النماذج الأولية ذات الثقة العالية والنماذج الأولية الأصلية للفئات، يتم تحقيق تصنيف أكثر دقة بعدد عينات قليلة. أظهرت نتائج التجارب على عدة مجموعات بيانات حقيقية للطيف الفائق فاعلية الطريقة المقترحة.

صور الطيف الفائق;تصنيف;التعلم بعدد عينات قليلة;شبكة مفككة;تكييف المجال;نماذج أولية للفئة;شبكة عصبية التفافيه;التعلم النقلي