교차 장면 고분광 원격 탐사 이미지 분류에서 소스 도메인과 타겟 도메인 간의 스펙트럼 편이 문제를 해결하기 위해, 공간-스펙트럼 도메인 적응과 극한 그래디언트 부스팅(eXtreme Gradient Boosting, XGBoost)을 결합한 교차 장면 고분광 이미지 분류 모델을 제안하였다. 심층 초매개변수 합성곱 모델(Depthwise Over-parameterized Convolution Model, DOCM)과 대규모 커널 어텐션(Large Kernel Attention, LKA)을 결합하여 공간-스펙트럼 어텐션 모델을 구성하고, 소스 도메인의 공간-스펙트럼 특징을 추출한다. 동일한 공간-스펙트럼 어텐션 모델을 사용하여 타겟 도메인의 특징을 추출하고, 판별기와 함께 적대적 도메인 적응을 수행하여 소스 도메인과 타겟 도메인 사이의 스펙트럼 편이를 줄인다; 타겟 도메인 내 일부 라벨이 있는 데이터를 통해 타겟 도메인 특징 추출기를 감독 학습하여 타겟 도메인의 실제 분포를 더욱 학습시키고, 소스 도메인과 타겟 도메인의 특징을 매핑하여 유사한 공간 분포를 형성함으로써 군집 도메인 적응을 완성한다. 마지막으로, 앙상블 분류기 XGBoost를 사용하여 고분광 이미지 분류를 수행하여 모델의 학습 속도와 신뢰도를 향상시킨다. Pavia 및 Indiana 고분광 데이터셋에서의 실험 결과는 본 논문 알고리즘의 전체 분류 정확도가 각각 91.62%와 65.98%에 달함을 보여준다. 다른 교차 장면 고분광 이미지 분류 모델과 비교했을 때, 본 논문에서 제안한 모델은 더 높은 지물 분류 정확도를 가진다.

고분광 이미지; 도메인 적응; 대규모 커널 어텐션; XGBoost