Devido à dificuldade de obter imagens hiperespectrais anotadas (HSI), métodos de classificação HSI baseados em aprendizado com poucas amostras têm recebido grande atenção. Métodos comuns de aprendizado com poucas amostras geralmente assumem que a distribuição das amostras de treinamento e teste é consistente; entretanto, devido a fatores como condições de captura, frequentemente existem diferenças na distribuição entre diferentes HSIs, dificultando que métodos tradicionais de aprendizado com poucas amostras atinjam alto desempenho de classificação. Para isso, este artigo propõe um método de classificação HSI cross-domain baseado em uma rede protótipo de confiança desacoplada. Primeiro, utiliza-se uma rede convolucional residual 3D para extrair características profundas das amostras, explorando plenamente a informação espacial-espectral do HSI; depois, com o auxílio de uma rede desacoplada, realiza-se a separação funcional das características profundas para representar de forma mais focada as características invariantes e específicas do domínio; em seguida, por meio da rede protótipo de confiança, selecionam-se amostras do conjunto de consulta com alta confiança e recalculam-se protótipos de classes mais confiáveis; por fim, utilizando-se de forma combinada os protótipos de classes de alta confiança e os protótipos originais, obtém-se uma classificação com poucas amostras mais precisa. A eficácia do método proposto neste estudo foi verificada por meio de experimentos comparativos com outros métodos existentes em vários conjuntos de dados reais hiperespectrais.

imagens hiperespectrais; classificação; aprendizado com poucas amostras; rede desacoplada; adaptação de domínio; protótipo de classe; redes neurais convolucionais; aprendizado por transferência