Debido a la dificultad para obtener imágenes hiperespectrales (HSI) anotadas, los métodos de clasificación de HSI basados en el aprendizaje con pocas muestras han recibido mucha atención. Los métodos comunes de aprendizaje con pocas muestras suelen suponer 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 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 de pocas muestras cruzadas de dominio para imágenes hiperespectrales basado en una red de prototipos de confianza desacoplada. Primero, se utiliza una red convolucional residual 3D para extraer características profundas de las muestras y así aprovechar plenamente la información espacial-espectral de HSI; luego, con la ayuda de una red desacoplada, se realiza una separación funcional de las características profundas para lograr una representación más enfocada de las características invariantes y específicas del dominio; a continuación, mediante una red de prototipos de confianza, se seleccionan las muestras del conjunto de consulta con alta confiabilidad y se recalcullan prototipos de clases más confiables; finalmente, mediante la combinación de prototipos de clases de alta confiabilidad y prototipos de clases originales, se realiza una clasificación con pocas muestras más precisa. El método propuesto fue validado comparando experimentos con otros métodos existentes en varios conjuntos de datos hiperespectrales reales, demostrando la efectividad del método.

imagen hiperespectral; clasificación; aprendizaje con pocas muestras; red desacoplada; adaptación de dominio; prototipos de clases; red neuronal convolucional; aprendizaje por transferencia