Devido à dificuldade de obter imagens hiperespectrais anotadas (HSI), os métodos de classificação HSI baseados em aprendizagem com poucas amostras têm recebido muita atenção. Os métodos comuns de aprendizagem com poucas amostras geralmente supõem que a distribuição das amostras de treinamento e teste seja consistente; no entanto, devido a fatores como condições de captura, frequentemente existem diferenças de distribuição entre diferentes HSI, dificultando que os métodos tradicionais de aprendizagem com poucas amostras alcancem um desempenho elevado de classificação. Para isso, este artigo propõe um método de classificação de poucas amostras cross-domain para imagens hiperespectrais baseado em uma rede de protótipo de confiança desacoplada. Primeiramente, uma rede convolucional residual 3D é usada para extrair características profundas das amostras para explorar completamente as informações espaciais e espectrais do HSI; em seguida, com o auxílio de uma rede desacoplada, as características profundas são separadas funcionalmente para alcançar uma representação mais focada das características invariantes e específicas do domínio; depois, por meio de uma rede de protótipo de confiança, são selecionadas as amostras do conjunto de consulta com alta confiança, recalculando protótipos de classe mais confiáveis; por fim, utilizando-se dos protótipos de classe de alta confiança em conjunto com os protótipos de classe originais, obtém-se uma classificação de poucas amostras mais precisa. O método proposto foi validado por meio de experimentos comparativos com outros métodos existentes em vários conjuntos de dados hiperespectrais reais, comprovando a eficácia do método.

imagem hiperespectral; classificação; aprendizagem com poucas amostras; rede desacoplada; adaptação de domínio; protótipos de classe; rede neural convolucional; aprendizado por transferência