子空间与存储体的高光谱图像跨域小样本分类

针对当前高光谱图像跨域小样本分类领域存在的问题,如低分类精度和有限的泛化能力,提出了一种子空间和存储体的跨域小样本高光谱图像分类方法。该方法改进了一种融合通道注意机制和光谱空间注意机制的特征提取器,以充分提取原始高光谱图像的光谱空间信息。通过对比学习机制,分析小样本之间的多样性和差异性,提升了模型在小样本情况下的判别能力和泛化性能。同时,利用自适应子空间来改进原型网络,以提高嵌入特征的利用率,从而提升了模型的分类精度。最后,引入存储体模块实现跨域对齐,增强了模型在跨域条件下的分类性能。通过迭代训练和不断优化,使用优化后的特征提取器对测试集进行分类。在四个常用的数据集上将文中方法与当前主流的高光谱跨域小样本分类方法进行了比较。实验结果显示,文中方法的分类效果优于其他现有方法,同时还展现出出色的泛化能力和鲁棒性。