Face à la difficulté d'obtenir des images hyperspectrales HSI (HyperSpectral Image) annotées, les méthodes de classification HSI basées sur l'apprentissage avec peu d'exemples attirent une grande attention. Les méthodes courantes d'apprentissage avec peu d'exemples supposent généralement que la distribution des échantillons d'entraînement et de test est cohérente, cependant, en raison des conditions de prise de vue et autres facteurs, il existe souvent des différences de distribution entre différentes HSI, ce qui rend difficile pour les méthodes traditionnelles d'obtenir de bonnes performances de classification. Ainsi, cet article propose une méthode de classification HSI inter-domaine basée sur un réseau prototype de confiance découplé. Premièrement, un réseau de convolution résiduelle 3D est utilisé pour extraire les caractéristiques profondes des échantillons afin d'exploiter pleinement l'information spatiale-spectrale de la HSI ; ensuite, grâce au réseau découplé, les caractéristiques profondes sont séparées fonctionnellement pour réaliser une représentation plus ciblée des caractéristiques invariantes et spécifiques au domaine ; puis, via le réseau prototype de confiance, les échantillons de la requête à haute confiance sont filtrés et des prototypes de catégories plus fiables sont recalculés ; enfin, en combinant les prototypes de catégories à haute confiance avec les prototypes originaux, une classification avec peu d'exemples plus précise est réalisée. Des expériences comparatives menées sur plusieurs jeux de données réels hyperspectrales confirment l'efficacité de la méthode proposée.

images hyperspectrales;classification;apprentissage avec peu d'exemples;réseau découplé;adaptation de domaine;prototype de catégorie;réseau de neurones convolutionnel;apprentissage par transfert