Debido a la dificultad de obtener imágenes hiperespectrales HSI (HyperSpectral Image) anotadas, los métodos de clasificación HSI basados en aprendizaje con pocas muestras han recibido gran atención. Los métodos comunes de aprendizaje con pocas muestras suelen asumir que la distribución de las muestras de entrenamiento y prueba es consistente, sin embargo, debido a factores como las condiciones de captura, a menudo existen diferencias en la distribución entre diferentes HSI, lo que dificulta que los métodos tradicionales de aprendizaje con pocas muestras logren un alto rendimiento de clasificación. Por ello, este artículo propone un método de clasificación con pocas muestras cruz-dominio basado en una red de prototipos de confianza desacoplada para imágenes hiperespectrales. Primero, se utiliza una red convolucional residual 3D para extraer características profundas de las muestras y explotar completamente la información espacio-espectral de la HSI; luego, con la ayuda de la red desacoplada, se realiza una separación funcional de las características profundas para lograr una representación más enfocada de las características invariantes de dominio y específicas de dominio; nuevamente, a través de la red de prototipos de confianza se seleccionan muestras del conjunto de consulta con alta confianza y se recalculan prototipos de clase más confiables; finalmente, mediante el uso integral de prototipos de clase de alta confianza y prototipos de clase originales, se logra una clasificación con pocas muestras más precisa. Se realizaron experimentos comparativos en varios conjuntos de datos reales hiperespectrales para verificar la eficacia del método propuesto.

imágenes hiperespectrales;clasificación;aprendizaje con pocas muestras;red desacoplada;adaptación de dominio;prototipo de clase;red neuronal convolucional;aprendizaje por transferencia