تصنيف الصور فوق الطيفية (HSIs) باستخدام عينات محدودة يُعدّ تحديًا كبيرًا. يُعدّ الشبكة التوليدية التنافسية (GAN) تقنية واعدة لتخفيف مشكلة حجم العينات الصغيرة. حيث يمكن لـ GAN توليد عينات من خلال المنافسة بين مولّد (Generator) ومحرّك (Discriminator). ومع ذلك، فإن توليد عينات عالية الجودة للصور فوق الطيفية ذات التوزيع المكاني-الطيفي المعقد يظل أمرًا صعبًا، مما قد يؤدي إلى تدهور أداء المُحرّك لاحقًا. لمعالجة هذه المشكلة، نقترح نموذج GAN متماثل ذو تراكيب تلافيفية يعتمد على التعلم التعاوني وآلية الانتباه (CA-GAN). في نموذج CA-GAN، لا تقتصر العلاقة بين المولّد والمُحرّك على المنافسة فقط، بل تشمل أيضًا التعاون. حيث تساعد الميزات السطحية إلى العميقة للعينات الحقيقية متعددة الفئات في المُحرّك على توليد عينات أكثر دقة في المولّد. أما في المولّد، فقد تم تصميم وحدة انتباه صعبة متكاملة مكانيًا وطيفيًا من خلال تعريف دالة نشاط ديناميكية مستندة إلى شبكة تلافيفية متعددة الفروع. وتُسهم هذه الوحدة في جعل توزيع العينات المُولّدة يقترب من توزيع الصور الفعلية فوق الطيفية من حيث الأبعاد الطيفية والمكانيّة، مع استبعاد المعلومات المضللة والمضللة. وفي المُحرّك، تم دمج طبقة LSTM تلافيفية لاستخراج الخصائص السياقية المكانية ورصد الاعتماديات الطيفية طويلة المدى في آنٍ واحد. وأخيرًا، تم تحسين أداء التصنيف في المُحرّك من خلال تفعيل التعلم التنافسي والتعاوني بين المُحرّك والمولّد. أظهرت التجارب على مجموعات بيانات صور فوق طيفية أن نموذج CA-GAN يحقق نتائج تصنيف مرضية مقارنة بالطرق المتقدمة، خاصة عند افتقار عدد العينات التدريبية إلى الكفاية.