그래프 정보 집약을 통한 다영역 소수 샘플 학습: 고분광 이미지 분류를 위한 접근법

크로스-장면 고분광 이미지 분류에서 가장 일반적인 도메인 적응(DA) 방법은 원천 데이터(SD)와 타겟 데이터(TD)가 동일한 센서로 측정되며, 두 데이터 세트 모두 동일한 클래스를 포함하는 경우에 초점을 맞추고 있다. 그러나 타겟 데이터에 새로운 클래스가 포함될 경우, 분류 성능은 크게 저하된다. 또한, DA의 주요 접근 방식 중 하나인 도메인 정렬은 국소적 공간 정보에 기반하여 수행되며, 강한 상응성을 가지는 비국소적 공간 정보(비국소적 관계)는 거의 고려되지 않는다. 이를 보완하기 위해 그래프 정보 집약 기반의 도메인 정렬과 적은 수의 레이블 샘플을 활용하는 소수 학습(FSL)을 결합한 그래프 정보 집약 크로스-도메인 소수 학습(Gia-CFSL) 프레임워크를 제안한다. 이 프레임워크는 모든 레이블 샘플을 포함하는 원천 데이터와 소수의 레이블 샘플만을 가진 타겟 데이터를 기반으로 FSL 에피소드 학습을 수행한다. 동시에, 내도메인 분포 추출 블록(IDE-block)과 크로스-도메인 유사도 인지 블록(CSA-block)을 설계하였다. IDE-block은 도메인 내 비국소적 관계를 특징화하고 집약하는 데 사용되며, CSA-block은 도메인 간 특징과 분포 유사성을 캡처하는 데 활용된다. 더불어, 특징 수준과 분포 수준의 크로스-도메인 그래프 정렬을 통해 도메인 이동이 FSL에 미치는 영향을 완화한다. 공개된 세 가지 고분광 이미지(HSI) 데이터셋에 대한 실험 결과는 제안된 방법의 우수성을 입증한다. 코드는 다음 웹사이트에서 제공될 예정이다: https://github.com/YuxiangZhang-BIT/IEEE_TNNLS_Gia-CFSL.