Da die Annotation von hyperspektralen Bildern (HSI, HyperSpectral Image) schwer zu erhalten ist, erhalten HSI-Klassifizierungsmethoden basierend auf dem Few-Shot-Lernen große Aufmerksamkeit. Übliche Few-Shot-Lernmethoden gehen meistens davon aus, dass die Verteilung der Trainings- und Testdaten übereinstimmt, jedoch bestehen aufgrund von Aufnahmebedingungen und anderen Faktoren häufig Verteilungsunterschiede zwischen verschiedenen HSI, was es traditionellen Few-Shot-Lernmethoden erschwert, eine hohe Klassifizierungsleistung zu erzielen. Daher schlägt dieser Artikel eine auf einem entkoppelten Vertrauensprototypnetzwerk basierende domänenübergreifende Few-Shot-Klassifizierungsmethode für hyperspektrale Bilder vor. Zunächst wird ein 3D-ResNet zur Extraktion tiefer Merkmale der Proben verwendet, um die raum-spektrale Information von HSI umfassend auszuschöpfen; anschließend erfolgt mithilfe des entkoppelten Netzwerks eine funktionale Trennung der tiefen Merkmale, um eine fokussiertere Darstellung domäneninvarianter und domänenspezifischer Merkmale zu ermöglichen; danach werden durch das Vertrauensprototypnetzwerk hochvertrauliche Abfrageproben ausgewählt und zuverlässigere Klassenprototypen neu berechnet; schließlich wird durch die kombinierte Nutzung von hochvertraulichen Klassenprototypen und den ursprünglichen Klassenprototypen eine genauere Few-Shot-Klassifizierung erreicht. Die vorgeschlagene Methode wurde in mehreren realen hyperspektralen Datensätzen experimentell mit anderen bestehenden Methoden verglichen, und die Ergebnisse bestätigen die Wirksamkeit der vorgestellten Methode.

hyperspektrale Bilder;Klassifizierung;Few-Shot-Lernen;entkoppeltes Netzwerk;Domänenanpassung;Klassenprototyp;konvolutionales neuronales Netzwerk;Transferlernen