Angesichts der Schwierigkeit, annotierte hyperspektrale Bilder (Hyperspectral Image, HSI) zu erhalten, erhalten HSI-Klassifizierungsmethoden auf Basis von Few-Shot-Learning große Aufmerksamkeit. Übliche Few-Shot-Learning-Methoden gehen in der Regel davon aus, dass die Verteilung der Trainings- und Testdaten übereinstimmt. Aufgrund von Faktoren wie den Aufnahmebedingungen bestehen jedoch oft Verteilungsunterschiede zwischen verschiedenen HSI, wodurch traditionelle Few-Shot-Learning-Methoden Schwierigkeiten haben, eine hohe Klassifikationsleistung zu erzielen. Daher schlägt dieser Artikel eine domänenübergreifende Few-Shot-Klassifizierungsmethode für hyperspektrale Bilder auf Basis eines entkoppelten Vertrauens-Prototyp-Netzwerks vor. Zunächst wird ein 3D-Residual-Convolutional-Network verwendet, um die tiefen Merkmale der Proben zu extrahieren und die räumlich-spektralen Informationen von HSI umfassend auszuschöpfen; anschließend trennt ein entkoppeltes Netzwerk die Funktionalitäten der tiefen Merkmale, um eine fokussiertere Darstellung von domäneninvarianten und domänenspezifischen Merkmalen zu ermöglichen; außerdem wählt das Vertrauens-Prototyp-Netzwerk die Abfrageproben mit hoher Vertrauenswürdigkeit aus und berechnet verlässlichere Klassenprototypen neu. Durch die kombinierte Nutzung von hochvertrauenswürdigen Klassenprototypen und den ursprünglichen Prototypen wird eine genauere Few-Shot-Klassifizierung erreicht. Die experimentellen Ergebnisse auf mehreren realen hyperspektralen Datensätzen bestätigen die Wirksamkeit der vorgeschlagenen Methode.

hyperspektrales Bild;Klassifizierung;Few-Shot-Learning;entkoppeltes Netzwerk;Domänenanpassung;Klassenprototyp;Convolutional Neural Network;Transferlernen