基于小样本学习的跨域高光谱图像精准分类方法

本发明提出一种基于小样本学习的跨域高光谱图像精准分类方法，属于图像处理技术领域。首先，分别输入含少量标签的目标域数据和充足标签的源域数据，通过嵌入模型提取特征信息，并在特征提取阶段引入自注意力机制，自动关注特征图中清晰的区域，忽略不确定的模糊区域，提升对异域结构信息的感知能力，有效减少空间结构和分辨率差异带来的信息错位，为解决频谱偏移提供支持。并通过条件对抗域适配策略实现源域与目标域分布对齐，克服频谱偏移问题，最后通过K近邻算法(K‑nearest neighbor,KNN)进行分类，获得地物类别。实验结果表明，本发明方法在Pavia University数据集上的表现优于现有小样本的跨域高光谱图像分类方法，为跨域高光谱图像分类的研究与应用提供了新思路。