Apprentissage peu supervisé à travers les domaines basé sur l’agrégation d’information graphique pour la classification d’images hyperspectrales

La plupart des méthodes d’adaptation de domaine (DA) utilisées dans la classification d’images hyperspectrales multi-scènes se concentrent sur des cas où les données sources (SD) et les données cibles (TD) comportent les mêmes classes et sont acquises par le même capteur. Toutefois, la performance de classification diminue significativement lorsque de nouvelles classes apparaissent dans les données cibles. En outre, l’alignement de domaine, l’une des approches principales de la DA, repose traditionnellement sur des informations spatiales locales, en négligeant rarement les informations spatiales non locales (relations non locales) qui présentent une forte correspondance. Pour pallier ces limitations, nous proposons un cadre d’apprentissage par peu d’exemples à travers des domaines basé sur l’agrégation d’informations graphes (Gia-CFSL), combinant l’apprentissage par peu d’exemples (FSL) et l’alignement de domaine fondé sur l’agrégation d’informations graphes. Les données sources, comprenant tous les échantillons étiquetés, et les données cibles, contenant un faible nombre d’échantillons étiquetés, sont utilisées pour l’entraînement épisodique du FSL. Par ailleurs, deux blocs spécifiques sont conçus : le bloc d’extraction de distribution intra-domaine (IDE-block), destiné à caractériser et à agréger les relations non locales intra-domaine, et le bloc conscient de la similarité inter-domaine (CSA-block), qui permet de capturer les similarités de caractéristiques et de distributions entre domaines. Enfin, des alignements graphiques au niveau des caractéristiques et au niveau des distributions sont appliqués pour atténuer l’impact du décalage de domaine sur le FSL. Les résultats expérimentaux obtenus sur trois jeux de données publics d’images hyperspectrales démontrent l’efficacité supérieure de la méthode proposée. Le code source sera disponible à l’adresse suivante : https://github.com/YuxiangZhang-BIT/IEEE_TNNLS_Gia-CFSL.