近年、HSI分類は十分なラベル付きサンプルを学習データとして与えられた場合、高い分類精度に達することが可能である。しかし、少数のラベル付きサンプルで学習を行う場合、既存の手法の性能は著しく低下する。少数ショット問題における既存手法は、分類精度を向上させるために別途データセットを必要とすることが多い。しかしながら、こうした手法にはターゲットドメインとソースドメイン間の顕著なスペクトルシフトに起因するクロスドメイン問題が存在する。上記の課題を踏まえ、本研究では外部データセットを必要とせずに、生成対抗ネットワーク（GAN）、トランスフォーマー・エンコーダー、および畳み込みブロックを統合的な枠組みで組み合わせた新しい手法を提案する。本手法は、トランスフォーマー・エンコーダーによるグローバルな受容fieldと、畳み込みブロックによるローカルな受容fieldの両方を備えており、空間的・スペクトル的特徴を効果的に抽出できる。Indian Pines、PaviaU、KSCの各データセットを用いた実験結果から、本手法が少数ショット学習問題における既存の深層学習手法を上回る分類性能を達成することが明らかになった。