Actuellement, la classification des images hyperspectrales (HSI) peut atteindre une précision élevée lorsqu’un ensemble d’échantillons étiquetés suffisant est disponible pour l’entraînement. Toutefois, les performances des méthodes existantes chutent fortement lorsqu’elles sont entraînées sur un petit nombre d’échantillons étiquetés. Les méthodes actuelles dans le cadre du few-shot learning ont généralement besoin d’un autre jeu de données afin d’améliorer la précision de classification. Toutefois, ces approches souffrent d’un problème de transfert de domaine, en raison du décalage spectral important entre le domaine cible et le domaine source. En considérant ces limitations, nous proposons une nouvelle méthode ne nécessitant pas de jeu de données externe, en combinant de manière unifiée un Réseau antagoniste génératif (GAN), un encodeur Transformer et un bloc de convolution. La méthode proposée bénéficie à la fois d’un champ réceptif global fourni par l’encodeur Transformer et d’un champ réceptif local fourni par le bloc de convolution. Des expériences menées sur les jeux de données Indian Pines, PaviaU et KSC démontrent que notre méthode surpasser les résultats des méthodes de deep learning existantes pour la classification des images hyperspectrales dans le cadre du few-shot learning.