في الوقت الحاضر، يمكن لتصنيف الصور ذات الطيف العالي (HSI) تحقيق دقة تصنيف عالية عند توفر عينات مُسَمَّة كافية كمجموعة تدريب. ومع ذلك، تنخفض أداء الطرق الحالية بشكل حاد عند تدريبها على عدد قليل من العينات المُسَمَّة. غالبًا ما تتطلب الطرق الحالية المعتمدة على مشكلة التعلم من عدد قليل من الأمثلة (few-shot) استخدام مجموعة بيانات إضافية لتحسين دقة التصنيف. لكن هذه الطرق تواجه مشكلة التحول بين المجالات (cross-domain) نظرًا للانزياح الطيفي الكبير بين المجال المستهدف (target domain) والمجال المصدر (source domain). وباعتبار هذه المشكلات، نقترح طريقة جديدة لا تتطلب مجموعة بيانات خارجية، من خلال دمج شبكة توليدية متنافسة (Generative Adversarial Network)، ومحول (Transformer Encoder)، وكتلة تلافيفية (convolution block) ضمن إطار موحد. تتميز الطريقة المقترحة بحقل استقبال عالمي مقدَّم من مُشَغِّل المحول، وحقل استقبال محلي مقدَّم من الكتلة التلافيفية. وقد أظهرت التجارب التي أُجريت على مجموعات بيانات Indian Pines وPaviaU وKSC أن الطريقة المقترحة تفوق نتائج الطرق العميقة الحالية في تصنيف الصور ذات الطيف العالي ضمن معضلة التعلم من عدد قليل من الأمثلة.