В связи с трудностями получения аннотированных гиперспектральных изображений (HSI), методы классификации HSI на основе обучения с малым количеством образцов привлекают большое внимание. Распространённые методы обучения с малым числом образцов обычно предполагают согласованность распределения обучающих и тестовых выборок, однако из-за влияния условий съёмки и других факторов между различными HSI часто существуют различия в распределениях, что затрудняет достижение высокой точности классификации традиционными методами. В связи с этим в данной работе предлагается метод классификации HSI с малым числом образцов через домены на основе развязывающей сети прототипов доверия. Сначала с помощью трёхмерной резидуальной сверточной сети извлекаются глубокие признаки образцов для полного использования пространственно-спектральной информации HSI; затем с помощью развязывающей сети проводится функциональное разделение глубоких признаков для более сфокусированного представления доменно-неизменных и доменно-специфичных признаков; далее через сеть прототипов доверия отбираются образцы из выборки с высоким уровнем доверия и пересчитываются более надежные прототипы классов; наконец, за счёт комбинирования высокодоверительных прототипов с исходными прототипами достигается более точная классификация с малым числом образцов. Проведены эксперименты и сравнения с существующими методами на нескольких реальных гиперспектральных наборах данных, подтвердившие эффективность предлагаемого подхода.

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