要約
クロスシーン高光譜画像分類における多数のドメイン適応（DA）手法は、同一センサによって取得された同一クラスのソースデータ（SD）とターゲットデータ（TD）を前提としている。しかし、ターゲットデータに新たなクラスが存在する場合、分類性能は著しく低下する。また、DAにおける主要なアプローチの一つであるドメインアライメントは、局所的な空間情報に基づいて行われており、強い対応関係を示す非局所的空間情報（非局所的関係）はほとんど考慮されていない。本研究では、グラフ情報集約に基づくドメインアライメントと少サンプル学習（FSL）を統合することで、上述の課題を克服することを目的として、グラフ情報集約を用いたクロスドメイン少サンプル学習（Gia-CFSL）フレームワークを提案する。SDはすべてのラベル付きサンプルを、TDは少数のラベル付きサンプルを用いてFSLのエピソード学習を実施する。さらに、ドメイン内分布抽出ブロック（IDEブロック）とドメイン間類似度認識ブロック（CSAブロック）を設計した。IDEブロックはドメイン内での非局所的関係を特徴づけ、集約するためのものであり、CSAブロックではドメイン間の特徴および分布の類似性を捉える。さらに、特徴レベルおよび分布レベルのクロスドメイングラフアライメントを用いて、ドメインシフトがFSLに与える影響を軽減する。3つの公開高光譜画像（HSI）データセットにおける実験結果から、本手法の優位性が確認された。コードは以下のウェブサイトから公開される予定である：https://github.com/YuxiangZhang-BIT/IEEE_TNNLS_Gia-CFSL。