Aufgrund der Schwierigkeit, annotierte hyperspektrale Bilder (HSI) zu erhalten, wird der HSI-Klassifikationsmethode auf Basis von Few-Shot-Learning große Aufmerksamkeit geschenkt. Übliche Few-Shot-Learning-Methoden gehen meist davon aus, dass die Verteilung der Trainings- und Testproben übereinstimmt. Aufgrund von Aufnahmebedingungen und anderen Faktoren gibt es jedoch oft Verteilungsunterschiede zwischen verschiedenen HSI, was es traditionellen Few-Shot-Learning-Methoden erschwert, eine hohe Klassifikationsleistung zu erzielen. Daher schlägt dieser Artikel eine domänenübergreifende Few-Shot-Klassifikationsmethode für hyperspektrale Bilder basierend auf einem entkoppelten Vertrauensprototyp-Netzwerk vor. Zunächst wird ein 3D-Residual-Convolutional-Netzwerk verwendet, um tiefgreifende Merkmale der Proben zu extrahieren und die raum-spektrale Information der HSI umfassend zu nutzen; anschließend erfolgt durch ein Entkopplungsnetzwerk eine funktionale Trennung der tiefen Merkmale, um eine fokussiertere Darstellung domäneninvarianter und domänenspezifischer Merkmale zu erreichen; danach werden über das Vertrauensprototyp-Netzwerk Proben mit hoher Vertrauenswürdigkeit aus der Abfrageauswahl herausgefiltert und zuverlässigere Klassenprototypen neu berechnet; schließlich wird durch die Kombination von hochvertraulichen Klassenprototypen mit den ursprünglichen Klassenprototypen eine präzisere Few-Shot-Klassifikation erreicht. Die vorgeschlagene Methode wurde durch Experimente und Vergleiche mit anderen bestehenden Methoden auf mehreren realen hyperspektralen Datensätzen validiert und die Effektivität bestätigt.

hyperspektrales Bild; Klassifikation; Few-Shot-Learning; Entkopplungsnetzwerk; Domänenanpassung; Klassenprototypen; Convolutional Neural Network; Transferlernen