Face à la difficulté d'obtenir des images hyperspectrales annotées (HSI), les méthodes de classification HSI basées sur l'apprentissage avec peu d'échantillons ont suscité un grand intérêt. 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 de facteurs tels que les conditions de prise de vue, il existe souvent des différences de distribution entre différents HSI, ce qui rend difficile l'obtention de performances de classification élevées avec les méthodes traditionnelles. Pour cette raison, cet article propose une méthode de classification trans-domaines pour les images hyperspectrales basée sur un réseau prototype de confiance découplé. Tout d’abord, un réseau convolutif résiduel 3D est utilisé pour extraire les caractéristiques profondes des échantillons afin d’exploiter pleinement les informations spatio-spectrales des HSI ; ensuite, à l’aide d’un réseau découplé, les caractéristiques profondes sont séparées fonctionnellement afin d’obtenir une représentation plus ciblée des caractéristiques invariantes et spécifiques au domaine ; puis, via un réseau prototype de confiance, les échantillons du jeu de requêtes avec une haute confiance sont sélectionnés et des prototypes de classes plus fiables sont recalculés ; enfin, en combinant les prototypes de classes à haute confiance avec les prototypes initiaux, une classification avec peu d’échantillons plus précise est réalisée. La méthode proposée a été validée par des expériences comparatives sur plusieurs ensembles de données hyperspectrales réelles, démontrant son efficacité.

image hyperspectrale; classification; apprentissage avec peu d’échantillons; réseau découplé; adaptation de domaine; prototypes de classes; réseau de neurones convolutionnel; apprentissage par transfert