Graphenbasierte Informationsaggregation für few-shot Lernen über Domänen hinweg bei der Klassifikation hyperspektraler Bilder

Die meisten Methoden zur Domänenanpassung (Domain Adaptation, DA) im Bereich der Klassifikation hyperspektraler Bilder über unterschiedliche Szenen konzentrieren sich auf Fälle, bei denen Quelldaten (Source Data, SD) und Ziel-Daten (Target Data, TD) mit denselben Klassen von derselben Sensorplattform erfasst wurden. Bei Vorhandensein neuer Klassen in den Ziel-Daten sinkt die Klassifikationsleistung jedoch erheblich. Zudem basiert die Domänenanpassung, eine der zentralen Ansätze in der DA, typischerweise auf lokalen räumlichen Informationen und berücksichtigt selten nichtlokale räumliche Informationen (nichtlokale Beziehungen), die eine starke Korrespondenz aufweisen. Um diese oben genannten Mängel zu beheben, wird ein graphenbasiertes Informationsaggregations- und cross-domain Few-Shot-Lernframework (Gia-CFSL) vorgestellt, das Few-Shot-Lernen (FSL) mit einer Domänenanpassung auf Basis graphenbasierter Informationsaggregation verbindet. Für das episodische FSL-Training werden SD mit allen gelabelten Proben und TD mit nur wenigen gelabelten Proben verwendet. Gleichzeitig werden zwei spezielle Blöcke eingeführt: der Intra-Domänen-Verteilungsextraktionsblock (IDE-Block) und der Cross-Domänen-Ähnlichkeitsbewusste Block (CSA-Block). Der IDE-Block dient zur Charakterisierung und Aggregation der intra-domänen nichtlokalen Beziehungen, während der CSA-Block die Ähnlichkeiten zwischen Merkmalen und Verteilungen über verschiedene Domänen hinweg erfasst. Darüber hinaus werden sowohl eine Merkmals- als auch eine Verteilungslevel-basierte cross-domain Graphen-Anpassung eingesetzt, um die Auswirkungen der Domänenverschiebung auf das FSL zu verringern. Experimentelle Ergebnisse an drei öffentlichen HSI-Datensätzen belegen die Überlegenheit des vorgeschlagenen Ansatzes. Der Quellcode wird unter der folgenden URL bereitgestellt: https://github.com/YuxiangZhang-BIT/IEEE_TNNLS_Gia-CFSL.