В связи с трудностью получения размеченных гиперспектральных изображений (Hyperspectral Image, HSI) методы классификации HSI на основе обучения с малым количеством образцов привлекают большое внимание. Распространённые методы обучения с малым количеством образцов обычно предполагают, что распределения обучающей и тестовой выборок совпадают. Однако из-за условий съёмки и других факторов часто возникают различия в распределениях между различными HSI, что приводит к низкой эффективности традиционных методов обучения с малым количеством образцов. В данной работе предлагается метод междоменной классификации гиперспектральных изображений с малым количеством образцов на основе декуплерной сети уверенных прототипов. Сначала используется 3D остаточная сверточная сеть для извлечения глубоких признаков из образцов с целью полноценного изучения пространственно-спектральной информации HSI; затем с помощью декуплерной сети происходит функциональное разделение глубоких признаков для более сфокусированного представления инвариантных и специфичных домену признаков; кроме того, уверенная прототипная сеть отбирает образцы с высоким уровнем уверенности из запроса и пересчитывает более надёжные прототипы классов. Далее, путем комплексного использования высокоуверенных прототипов классов и исходных прототипов достигается более точная классификация с малым числом образцов. Результаты экспериментов на нескольких реальных наборах гиперспектральных данных подтвердили эффективность предлагаемого метода.

гиперспектральное изображение;классификация;обучение с малым количеством образцов;декуплерная сеть;адаптация домена;прототипы классов;сверточная нейронная сеть;перенос обучения