Debido a la dificultad para obtener imágenes hiperespectrales etiquetadas (Hyperspectral Image, HSI), los métodos de clasificación HSI basados en el aprendizaje con pocos ejemplos han recibido mucha atención. Los métodos comunes de aprendizaje con pocos ejemplos 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 de distribución entre diferentes HSI, lo que provoca que los métodos tradicionales de aprendizaje con pocos ejemplos tengan dificultades para lograr un alto rendimiento de clasificación. Por lo tanto, este artículo propone un método de clasificación HSI cruzado basado en una red de prototipos confiables desacoplada. Primero, se utiliza una red convolucional residual 3D para extraer características profundas de las muestras con el fin de explotar completamente la información espacial y espectral de las HSI; luego, con la ayuda de una red desacoplada, se separan las funciones de las características profundas para lograr una representación más enfocada de las características invariantes al dominio y específicas del dominio; además, mediante una red de prototipos confiables, se seleccionan muestras del conjunto de consulta con alta confiabilidad y se recalculan prototipos de clase más confiables. Finalmente, al combinar el uso de prototipos de clase de alta confiabilidad y prototipos de clase originales, se logra una clasificación con pocos ejemplos más precisa. Los resultados experimentales en varios conjuntos de datos hiperespectrales reales validan la efectividad del método propuesto.

imagen hiperespectral;clasificación;aprendizaje con pocos ejemplos;red desacoplada;adaptación de dominio;prototipo de clase;red neuronal convolucional;aprendizaje por transferencia