高解像度画像処理における分類性能の向上のために、多くの研究が空間スペクトル情報統合とニューラルネットワークの利用という2つの一般的な戦略に基づいて開発されてきました。しかし、これらの戦略は通常、古典的なアルゴリズムよりも多くの学習データを必要とし、ラベル付きサンプルの不足を助長しています。本稿では、スペクトルベースのディープメトリックラーニングモデルと条件付き随機場アルゴリズムを有機的に組み合わせた新しいフレームワークを提案します。ディープメトリックラーニングモデルは中心損失によって監督され、クラス内においてユークリッド空間でより密に集まるスペクトルベースの特徴量を生成します。ガウシアンエッジポテンシャルを持つ条件付き随機場は、画像分割タスクのために初めて提案されましたが、本研究ではピクセル間の地理的距離とディープメトリックラーニングモデルによって生成された特徴量間のユークリッド距離を利用することで、高解像度画像に対するピクセル単位での分類を行います。提案するフレームワークは、ディープメトリックラーニング段階でスペクトルピクセルによって学習され、条件付き随機場段階では半自動的に生成された空間特徴量が利用されます。このアプローチにより、学習データの不足が一定程度緩和されます。2つの実際の高解像度画像を使用した実験結果は、提案手法が分類精度と計算コストの両面で優れていることを示しています。