В связи с труднодоступностью аннотированных гиперспектральных изображений (HSI) методы классификации HSI на основе обучения с малым количеством образцов привлекают большое внимание. Обычно методы обучения с малым количеством образцов предполагают, что распределения тренировочных и тестовых данных совпадают, однако из-за влияния условий съемки и других факторов распределения между разными HSI часто различаются, что затрудняет достижение высокой производительности традиционными методами. В связи с этим в данной работе предложен метод перекрестной доменной классификации HSI с малым количеством образцов, основанный на разъединённой сети прототипов уверенности. Сначала используется 3D остаточная сверточная сеть для извлечения глубоких признаков образцов с целью полной эксплуатации пространственно-спектральной информации HSI; затем с помощью сети разъединения происходит функциональное разделение глубоких признаков для более сфокусированного представления доменно-инвариантных и доменно-специфичных признаков; далее сеть прототипов уверенности отбирает образцы с высокой уверенностью из набора запросов и повторно вычисляет более надежные прототипы классов; наконец, за счет комплексного использования прототипов классов с высокой уверенностью и исходных прототипов достигается более точная классификация с малым количеством образцов. Эффективность предложенного метода подтверждена на нескольких реальных гиперспектральных наборах данных в сравнении с другими существующими методами.

гиперспектральные изображения; классификация; обучение с малым количеством образцов; разъединённая сеть; адаптация домена; прототип класса; сверточные нейронные сети; перенос обучения