نظرًا لصعوبة الحصول على صور الطيف الفائق ذات التوصيف (HSI)، تحظى طرق تصنيف HSI المبنية على التعلم القليل العينات باهتمام كبير. تفترض طرق التعلم القليل العينات الشائعة عادةً تساوي توزيع عينات التدريب والاختبار، ولكن بسبب تأثير ظروف التصوير وعوامل أخرى، غالبًا ما توجد اختلافات في التوزيع بين HSI المختلفة، مما يجعل من الصعب تحقيق أداء تصنيفي عالٍ باستخدام الطرق التقليدية. لذلك، قدمت هذه الدراسة طريقة تصنيف عبر المجال لـ HSI تعتمد على شبكة نموذج الثقة المفككة. أولاً، تم استخدام شبكة الالتفاف ثلاثية الأبعاد المتبقية لاستخراج الميزات العميقة للعينة للاستفادة الكاملة من المعلومات الفضائية والطيفية لـ HSI؛ ثم، باستخدام شبكة التفكيك، تم فصل الوظائف في الميزات العميقة لتحقيق تمثيل أكثر تركيزًا للميزات المستقلة عن المجال والمخصصة للمجال؛ بعد ذلك، باستخدام شبكة نموذج الثقة، تم اختيار عينات ذات ثقة عالية من مجموعة الاستعلام وإعادة حساب نموذج فئة أكثر موثوقية؛ وأخيرًا، من خلال الجمع بين نماذج الفئة ذات الثقة العالية والنماذج الأصلية، تم تحقيق تصنيف أفضل باستخدام التعلم القليل العينات. تم التحقق من فعالية الطريقة المقترحة في هذه الدراسة من خلال تجارب مقارنة مع طرق أخرى على عدة مجموعات بيانات حقيقية للطيف الفائق.

صور الطيف الفائق;تصنيف;التعلم القليل العينات;شبكة التفكيك;تكييف المجال;نموذج الفئة;شبكات الالتفاف العصبية;التعلم بالنقل