الاستخلاص المعلوماتي الرسومي التفاعلي عبر المجالات للتعلم القليل النماذج في تصنيف الصور فوق الطيفية

تركز معظم طرق التكيّف بين المجالات (DA) في تصنيف الصور فوق الطيفية عبر المشاهد المختلفة على الحالات التي يتم فيها الحصول على بيانات المصدر (SD) وبيانات الهدف (TD) ذات الفئات نفسها بواسطة نفس المستشعر. ومع ذلك، ينخفض أداء التصنيف بشكل ملحوظ عندما تظهر فئات جديدة في بيانات الهدف. بالإضافة إلى ذلك، يتم تنفيذ محاذاة المجال، التي تعد إحدى الأساليب الرئيسية في التكيّف بين المجالات، بناءً على المعلومات المكانية المحلية، مع ندرة أخذ المعلومات المكانية غير المحلية (العلاقات غير المحلية) ذات العلاقة القوية بعين الاعتبار. وللتغلب على هذه الثغرات المذكورة أعلاه، تم اقتراح إطار عمل يُسمى "التعلم القليل للحالات عبر المجالات باستخدام تجميع المعلومات الرسومية" (Gia-CFSL)، والذي يجمع بين التعلم القليل للحالات (FSL) ومحاذاة المجال القائمة على تجميع المعلومات الرسومية. يتم تطبيق التدريب الدوراني للتعلم القليل للحالات (FSL) على بيانات المصدر التي تحتوي على جميع العينات المصنفة، وبيانات الهدف التي تحتوي على عدد قليل من العينات المصنفة. وفي الوقت نفسه، تم تصميم كتلتين: كتلة استخراج التوزيع الداخلي للمجال (IDE-block) وكتلة الوعي بالتشابه عبر المجال (CSA-block). تُستخدم كتلة IDE-block لتمثيل وتجميع العلاقات غير المحلية داخل المجال، بينما تُستخدم كتلة CSA-block لالتقاط التشابهات في الميزات والتوزيعات بين المجالات. علاوةً على ذلك، تُستخدم محاذاة الرسوم البيانية على مستوى الميزات وعلى مستوى التوزيع لتقليل تأثير الانزلاق بين المجالات على التعلم القليل للحالات. أظهرت النتائج التجريبية على ثلاث مجموعات بيانات عامة للصور فوق الطيفية تفوق الطريقة المقترحة. سيتم إتاحة الشفرة البرمجية من خلال الموقع الإلكتروني: https://github.com/YuxiangZhang-BIT/IEEE_TNNLS_Gia-CFSL.