제한된 수의 레이블된 샘플(픽셀)로부터 학습하는 것은 고분광 이미지(HSI) 분류에서 여전히 핵심적인 도전 과제이다. 이 문제를 해결하기 위해, 동일 장면 및 교차 장면 HSI 분류 모두에 적합한 딥 메트릭 학습 기반의 특징 임베딩 모델을 제안한다. 첫 번째 작업에서는 레이블된 샘플이 매우 적은 상황에서, 딥 임베딩 특징 기반의 메트릭 학습 기법을 활용하여 샘플 쌍 간의 유사도 학습을 수행한다. 이 경우 제안된 모델은 두 샘플이 동일한 클래스에 속하는지 여부를 효과적으로 비교하는 능력을 학습할 수 있다. 두 번째 작업에서는 분류가 필요한 HSI 이미지(타겟 장면)가 완전히 레이블되지 않은 경우, 충분한 레이블된 샘플을 가진 유사한 HSI 이미지(소스 장면)로부터 학습한 후, 비지도 도메인 적응(unsupervised domain adaptation) 기술을 통해 타겟 모델로 전이할 수 있다. 이 과정에서는 소스 샘플과 타겟 샘플의 임베딩 특징이 구별되지 않도록 하는 적대적 접근을 사용할 뿐만 아니라, 타겟 장면의 임베딩이 소스 장면의 임베딩과 유사한 클러스터를 형성하도록 유도한다. 두 장면의 HSI 간 도메인 적응이 완료된 후에는 기존의 어떤 전통적인 HSI 분류기라도 사용 가능하다. 본 연구에서는 간단한 방법으로 모든 분류 작업에 대해 최근접 이웃(NN) 알고리즘을 분류기로 선택하였다. 다양한 대표적인 HSI 데이터셋을 활용한 실험 결과를 통해 제안된 모델이 동일 장면 및 교차 장면 분류 작업 모두에서 우수한 성능을 보임을 입증하였다.