نظرًا لصعوبة الحصول على صور الطيف فائق التحديد الموسومة HSI (HyperSpectral Image)، فإن طرق التصنيف المستندة إلى التعلم بعينات صغيرة تجذب اهتمامًا كبيرًا. تفترض طرق التعلم بعينات صغيرة الشائعة عادةً تطابق توزيع عينات التدريب والاختبار، ولكن بسبب تأثير ظروف التصوير وغيرها، غالبًا ما توجد فروقات توزيع بين صور HSI المختلفة، مما يجعل من الصعب على الطرق التقليدية تحقيق أداء تصنيف عالٍ. بناءً على ذلك، تقترح هذه الورقة طريقة تصنيف صور الطيف فائق التحديد عبر النطاقات القائمة على شبكة النموذج الأولي ذات الثقة المفككة. أولًا، يتم استخدام شبكة الالتفاف ثلاثية الأبعاد المتبقية لاستخراج الميزات العميقة للعينات لاستكشاف المعلومات الفضائية-الطيفية لـ HSI بشكل كامل؛ ثم، بمساعدة الشبكة المفككة يتم فصل الوظائف للميزات العميقة لتحقيق تمثيل أكثر تركيزًا للميزات غير المتغيرة عبر النطاق والميزات الخاصة بالنطاق؛ بعد ذلك، من خلال شبكة النموذج الأولي ذات الثقة يتم تصنيف عينات مجموعة الاستعلام ذات الثقة العالية وإعادة حساب نماذج الفئات الأكثر موثوقية؛ وأخيرًا، من خلال الاستخدام الشامل لنماذج الفئات ذات الثقة العالية والنماذج الأصلية، يتم تحقيق تصنيف بعينات صغيرة أكثر دقة. تم إجراء تجارب مقارنة على عدة مجموعات بيانات حقيقية للطيف فائق التحديد للتحقق من فعالية الطريقة المقترحة مقارنة بطرق أخرى.

صور الطيف فائق التحديد;تصنيف;تعلم بعينات صغيرة;شبكة مفككة;تكيف المجال;نموذج الفئة;شبكة العصبونات الالتفافية;التعلم الانتقالي