注釈付きの高スペクトル画像（HSI）が入手困難である問題に対して、小さなサンプル学習に基づくHSI分類手法が注目されている。一般的な小さなサンプル学習手法は、訓練とテストのサンプル分布が一致すると仮定するが、撮影条件などの影響により異なるHSI間には分布差が存在し、従来の小さなサンプル学習手法では高い分類性能を得ることが難しい。これに対し、本稿では解結合信頼プロトタイプネットワークに基づく高スペクトル画像のクロスドメイン小サンプル分類手法を提案する。まず、3D残差畳み込みネットワークを用いてサンプルの深層特徴を抽出し、HSIの空間—スペクトル情報を十分に活用する。次に、解結合ネットワークを利用して深層特徴を機能的に分離し、ドメイン不変及びドメイン特異的特徴のより集中した表現を実現する。さらに、信頼プロトタイプネットワークによって信頼度の高いクエリ集合サンプルを選別し、より信頼できるクラスプロトタイプを再計算する。最後に、高信頼度のクラスプロトタイプと元のクラスプロトタイプを総合的に利用することで、より正確な小サンプル分類を実現する。本研究で提案した手法の有効性は、複数の実際の高スペクトルデータセットにおける他の既存手法との比較実験によって検証された。

高スペクトル画像;分類;小サンプル学習;解結合ネットワーク;ドメイン適応;クラスプロトタイプ;畳み込みニューラルネットワーク;転移学習