クロスシーン高分光リモートセンシング画像分類におけるソースドメインとターゲットドメイン間のスペクトルシフト問題に対処するために、空間-スペクトル領域適応と極度勾配ブースティング（eXtreme Gradient Boosting、XGBoost）を組み合わせたクロスシーン高分光画像分類モデルを提案した。深層過剰パラメータ畳み込みモデル（Depthwise Over-parameterized Convolution Model、DOCM）と大規模カーネル注意（Large Kernel Attention、LKA）を組み合わせて空間-スペクトル注意モデルを構成し、ソースドメインの空間-スペクトル特徴を抽出する。同じ空間-スペクトル注意モデルを用いてターゲットドメインの特徴を抽出し、識別器とともに敵対的ドメイン適応を完遂し、ソースドメインとターゲットドメイン間のスペクトルシフトを低減する。ターゲットドメインのわずかなラベル付きデータにより、ターゲットドメイン特徴抽出器の教師ありドメイン適応を行い、ターゲットドメインの実分布をさらに学習させ、ソースドメインとターゲットドメインの特徴をマッピングして類似の空間分布を形成し、クラスタードメイン適応を完了する。最後に、アンサンブル分類器であるXGBoostを用いて高分光画像分類を行い、モデルの学習速度と信頼度を更に向上させる。PaviaおよびIndianaの高分光データセットでの実験結果は、本論文のアルゴリズムの全体的な分類精度がそれぞれ91.62％および65.98％に達したことを示している。他のクロスシーン高分光画像分類モデルと比較して、本論文で提案したモデルはより高い地物分類精度を有する。

高分光画像; ドメイン適応; 大規模カーネル注意; XGBoost