Aufgrund der Schwierigkeit, annotierte hyperspektrale Bilder (HSI) zu erhalten, erhält die Klassifizierung von HSI basierend auf Few-Shot-Lernen große Aufmerksamkeit. Übliche Few-Shot-Lernmethoden gehen typischerweise davon aus, dass die Verteilungen der Trainings- und Testproben übereinstimmen. Aufgrund von Einflüssen wie Aufnahmebedingungen bestehen jedoch oft Verteilungsunterschiede zwischen verschiedenen HSI, was es traditionellen Few-Shot-Lernmethoden erschwert, eine hohe Klassifikationsleistung zu erzielen. Daher wird in diesem Artikel eine domänenübergreifende Few-Shot-Klassifizierungsmethode für hyperspektrale Bilder basierend auf einem entkoppelten Confidence-Prototype-Netzwerk vorgeschlagen. Zunächst wird ein 3D-Residual-Convolutional-Netzwerk verwendet, um tiefe Merkmale der Proben zu extrahieren und die räumlich-spektrale Information von HSI vollständig zu nutzen; dann erfolgt mittels eines entkoppelten Netzwerks die funktionale Trennung der tiefen Merkmale, um eine gezieltere Darstellung domäneninvarianter und domänenspezifischer Merkmale zu erreichen; anschließend filtert das Confidence-Prototype-Netzwerk Abfragen mit hoher Vertrauenswürdigkeit aus der Query-Menge und berechnet zuverlässigere Klassenprototypen neu; schließlich wird durch die umfassende Nutzung der hochvertrauenswürdigen Klassenprototypen und der ursprünglichen Klassenprototypen eine genauere Few-Shot-Klassifikation ermöglicht. Die Wirksamkeit der im vorliegenden Beitrag vorgeschlagenen Methode wurde durch vergleichende Experimente an mehreren realen hyperspektralen Datensätzen mit anderen existierenden Methoden bestätigt.

hyperspektrale Bilder; Klassifikation; Few-Shot-Lernen; entkoppeltes Netzwerk; Domänenanpassung; Klassenprototyp; Convolutional Neural Networks; Transferlernen