주석이 달린 고분광 영상(HSI)을 얻기 어려운 문제를 해결하기 위해 소수 샘플 학습 기반의 HSI 분류 방법이 많은 관심을 받고 있다. 일반적인 소수 샘플 학습 방법은 학습 및 테스트 샘플 분포가 일치한다고 가정하는 경우가 많지만, 촬영 조건 등의 영향으로 인해 서로 다른 HSI 간에는 분포 차이가 존재하여 기존 소수 샘플 학습 방법으로는 높은 분류 성능을 얻기 어렵다. 이에 본 논문에서는 분리 신뢰 프로토타입 네트워크 기반의 고분광 영상 도메인 간 소수 샘플 분류 방법을 제안한다. 먼저 3D 잔차 합성곱 신경망을 사용하여 샘플의 심층 특징을 추출하여 HSI의 공간-분광 정보를 충분히 활용한다; 다음으로 분리 네트워크를 통해 심층 특징을 기능적으로 분리하여 도메인 불변 및 도메인 특이 특징을 더욱 집중적으로 표현한다; 이어 신뢰 프로토타입 네트워크를 통해 신뢰도가 높은 쿼리 집합 샘플을 선별하고 더욱 신뢰할 수 있는 클래스 프로토타입을 다시 계산한다; 마지막으로 높은 신뢰도의 클래스 프로토타입과 원본 클래스 프로토타입을 종합적으로 활용하여 보다 정확한 소수 샘플 분류를 실현한다. 본 연구에서 제안한 방법은 여러 실제 고분광 데이터셋에서 기존 연구 방법과 비교 실험을 통해 유효성이 검증되었다.

고분광 영상; 분류; 소수 샘플 학습; 분리 네트워크; 도메인 적응; 클래스 프로토타입; 합성곱 신경망; 전이 학습