주석이 달린 고스펙트럼 이미지(HSI)를 획득하기 어려워, 소수 샘플 학습 기반 HSI 분류 방법이 많은 관심을 받고 있다. 일반적인 소수 샘플 학습 방법은 훈련 샘플과 테스트 샘플의 분포가 일치한다고 가정하지만, 촬영 조건 등 영향으로 인해 서로 다른 HSI 간에 분포 차이가 존재해, 전통적인 소수 샘플 학습 방법으로 높은 분류 성능을 얻기 어렵다. 이를 위해 본 논문에서는 디커플링 신뢰 프로토타입 네트워크에 기반한 고스펙트럼 이미지 도메인 간 소수 샘플 분류 방법을 제안한다. 먼저 3D 잔차 합성곱 신경망을 사용해 샘플의 심층 특성을 추출하여 HSI의 공간-분광 정보를 충분히 활용한다; 그리고 디커플링 네트워크를 통해 심층 특성을 기능적으로 분리하여 도메인 불변 및 도메인 특이 특성을 더 집중적으로 표현한다; 다음으로 신뢰 프로토타입 네트워크를 통해 신뢰도가 높은 쿼리 집합 샘플을 선별하고 보다 신뢰할 수 있는 클래스 프로토타입을 재계산한다; 마지막으로 높은 신뢰도의 클래스 프로토타입과 원본 클래스 프로토타입을 종합 활용해 보다 정확한 소수 샘플 분류를 실현한다. 제안한 방법의 유효성은 다수의 실제 고스펙트럼 데이터셋에서 기존 연구 방법과 비교 검증한 실험을 통해 입증되었다.

고스펙트럼 이미지;분류;소수 샘플 학습;디커플링 네트워크;도메인 적응;클래스 프로토타입;합성곱 신경망;전이 학습