Из-за сложности получения размеченных гиперспектральных изображений HSI (HyperSpectral Image) методы классификации HSI на основе обучения с малым количеством образцов привлекают большое внимание. Обычно методы обучения с малым числом образцов предполагают совпадение распределения тренировочных и тестовых выборок, однако из-за влияния условий съемки и других факторов между разными HSI часто существуют различия в распределении, что приводит к низкой эффективности традиционных методов классификации с малыми выборками. В связи с этим в настоящей работе предлагается метод кросс-доменной классификации HSI на основе декомпозированной сети прототипов с уверенностью. Сначала используется 3D остаточная сверточная сеть для извлечения глубоких признаков образцов с целью полного использования пространственно-спектральной информации HSI; затем с помощью декомпозирующей сети производится функциональное разделение глубоких признаков для более целенаправленного представления инвариантных и доменных признаков; далее с помощью сети прототипов с уверенностью отбираются образцы с высоким уровнем доверия из поискового набора и пересчитываются более надежные прототипы классов; наконец, с помощью комплексного использования высокодоверительных и исходных прототипов классов достигается более точная классификация с малыми выборками. Проведено сравнительное экспериментальное исследование на нескольких реальных гиперспектральных датасетах, подтверждающее эффективность предложенного метода.

гиперспектральные изображения;классификация;обучение с малыми выборками;декомпозирующая сеть;адаптация домена;прототип класса;сверточная нейронная сеть;переносное обучение