En raison de la difficulté d'obtenir des images hyperspectrales annotées (HSI), les méthodes de classification HSI basées sur l'apprentissage par petits échantillons attirent une grande attention. Les méthodes courantes d'apprentissage par petits échantillons supposent généralement que la distribution des échantillons d’entraînement et de test est cohérente, cependant, en raison de l'influence de conditions de prise de vue et d'autres facteurs, il existe souvent des différences de distribution entre les différentes 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 HSI inter-domaines 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 de HSI ; ensuite, un réseau découplé est utilisé pour séparer fonctionnellement les caractéristiques profondes afin de réaliser une représentation plus ciblée des caractéristiques invariantes au domaine et spécifiques au domaine ; ensuite, le réseau prototype de confiance sélectionne les échantillons de haute confiance dans l’ensemble de requêtes et recalcule un prototype de classe plus fiable ; enfin, en combinant les prototypes de classe à haute confiance et les prototypes de classe originaux, une classification par petits échantillons plus précise est réalisée. La méthode proposée dans cette étude a été validée par des expériences comparatives avec d’autres méthodes existantes sur plusieurs ensembles de données hyperspectrales réelles, démontrant son efficacité.

images hyperspectrales; classification; apprentissage par petits échantillons; réseau découplé; adaptation de domaine; prototype de classe; réseaux neuronaux convolutifs; apprentissage par transfert