نظرًا لصعوبة الحصول على صور الطيف الفائق الملحوظة (HSI)، فقد حظيت طرق تصنيف HSI القائمة على التعلم من عينات قليلة باهتمام كبير. عادةً ما تفترض طرق التعلم من عينات قليلة الشائعة أن توزيع عينات التدريب والاختبار متماثل، إلا أنه بسبب تأثير عوامل مثل ظروف التصوير، غالبًا ما توجد فروق في التوزيع بين HSI المختلفة، مما يجعل من الصعب تحقيق أداء تصنيف عالي باستخدام الطرق التقليدية. بناءً على ذلك، اقترح هذا البحث طريقة تصنيف عبر المجالات لصور الطيف الفائق تعتمد على شبكة نموذج ثقة مفصولة الوظائف. أولاً، يتم استخدام شبكة التلافيف الثلاثية الأبعاد المتبقية لاستخراج الميزات العميقة للعينات لاستغلال معلومات الفضاء والطيف في HSI بشكل كافٍ؛ ثم، باستخدام شبكة الفصل، يتم فصل الميزات العميقة لتحقيق تمثيل أكثر تركيزًا للميزات الثابتة للمنطقة والنطاق السلبي؛ بعد ذلك، يتم استخدام شبكة نموذج الثقة لاختيار عينات مجموعة الاستعلام ذات الثقة العالية وإعادة حساب نماذج الفئات الأكثر موثوقية؛ وأخيرًا، يتم تحقيق تصنيف من عينات قليلة أكثر دقة من خلال الجمع بين نماذج الفئات ذات الثقة العالية والنماذج الفئوية الأصلية. تم التحقق من فعالية الطريقة المقترحة من خلال مقارنة تجارب متعددة على مجموعات بيانات حقيقية متعددة للطيف الفائق.

صور الطيف الفائق;تصنيف;تعلم من عينات قليلة;شبكة الفصل;تكييف المجال;نماذج الفئات;شبكة عصبية تلافيفية;التعلم بالنقل