Face à la difficulté d'obtenir des images hyperspectrales annotées (Hyperspectral Image, HSI), les méthodes de classification HSI basées sur l'apprentissage avec peu d'échantillons attirent une grande attention. Les méthodes courantes d'apprentissage avec peu d'échantillons supposent généralement que la distribution des échantillons d'entraînement et de test est cohérente. Cependant, en raison des conditions de prise de vue et d'autres facteurs, il existe souvent des différences de distribution entre différentes HSI, ce qui rend difficile l'obtention de bonnes performances de classification avec les méthodes d'apprentissage traditionnelles à petit échantillon. Par conséquent, cet article propose une méthode de classification HSI inter-domaines basée sur un réseau de prototypes de confiance découplé. Tout d'abord, un réseau convolutif résiduel 3D est utilisé pour extraire des caractéristiques profondes afin d'exploiter pleinement l'information spatio-spectrale des HSI ; ensuite, un réseau découplé sépare fonctionnellement ces caractéristiques profondes pour représenter plus précisément les caractéristiques invariantes au domaine et spécifiques au domaine ; de plus, un réseau de prototypes de confiance sélectionne les échantillons de requête à haute confiance et recalcule des prototypes de classes plus fiables. En outre, une classification plus précise à petit échantillon est obtenue grâce à une exploitation conjointe des prototypes de classes à haute confiance et des prototypes originaux. Les résultats expérimentaux sur plusieurs jeux de données hyperspectrales réels confirment l'efficacité de la méthode proposée.

image hyperspectrale;classification;apprentissage à petit échantillon;réseau découplé;adaptation de domaine;prototype de classe;réseau de neurones convolutifs;apprentissage par transfert