アノテーション付きのハイパースペクトル画像（HSI）の取得が難しい問題に対して、少数ショット学習に基づくHSI分類方法が注目されている。一般的な少数ショット学習方法は訓練とテストのサンプル分布が一致すると仮定しているが、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、従来の少数ショット学習方法では高い分類性能を得ることが難しい。そのため、本論文では、デカップリング信頼プロトタイプネットワークに基づくハイパースペクトル画像のクロスドメイン少数ショット分類方法を提案する。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、デカップリングネットワークにより深層特徴を機能的に分離し、ドメイン不変特徴とドメイン固有特徴のより専門的な表現を実現する。さらに、信頼プロトタイプネットワークを通じて高信頼度のクエリセットサンプルを抽出し、より信頼性の高いクラスプロトタイプを再計算する。最後に、高信頼度クラスプロトタイプと元のクラスプロトタイプを統合的に活用することで、より正確な少数ショット分類を実現する。本研究で提案した方法は、複数の実際のハイパー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り、その有効性が検証された。

ハイパースペクトル画像;分類;少数ショット学習;デカップリングネットワーク;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