Debido a la dificultad para obtener imágenes hiperespectrales anotadas (HSI), los métodos de clasificación HSI basados en el 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 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 HSI con pocas muestras basado en una red prototipo de confianza desacoplada para la transferencia entre dominios. Primero, se utiliza una red convolucional residual 3D para extraer características profundas de las muestras para explotar completamente la información espacial-espectral de HSI; luego, mediante una red desacoplada se realiza la separación funcional de las características profundas para representar de manera más enfocada las características invariantes y específicas del dominio; después, mediante la red prototipo de confianza se seleccionan muestras del conjunto de consulta con alta confianza y se recalculan prototipos de clase más confiables; finalmente, mediante la combinación de prototipos de clase de alta confianza con los prototipos originales se logra una clasificación con pocas muestras más precisa. La efectividad del método propuesto en este estudio se verificó mediante experimentos comparativos con otros métodos existentes en varios conjuntos de datos hiperespectrales reales.

imágenes hiperespectrales; clasificación; aprendizaje con pocas muestras; red desacoplada; adaptación de dominio; prototipo de clase; redes neuronales convolucionales; aprendizaje por transferencia