Para resolver o problema do deslocamento espectral entre o domínio de origem e o domínio alvo na classificação de imagens hiperespectrais em múltiplos cenários, propõe-se um modelo de classificação de imagens hiperespectrais cross-cenário que combina adaptação no domínio espectro-espacial com o XGBoost (eXtreme Gradient Boosting). O modelo combina um modelo convolucional profundo com hiperparâmetros sobredimensionados (DOCM) e uma atenção de núcleo grande (LKA), formando um modelo de atenção espectro-espacial para extrair características do domínio de origem. O mesmo modelo de atenção espectro-espacial é usado para extrair características do domínio alvo e, junto com um discriminador, completa a adaptação adversarial de domínio para reduzir o deslocamento espectral entre os domínios; por meio de uma pequena quantidade de dados rotulados no domínio alvo, realiza-se uma adaptação supervisionada do extrator de características do domínio alvo, permitindo que este aprenda melhor a distribuição real do domínio alvo e mapeie as características entre os domínios de origem e alvo, formando uma distribuição espacial semelhante e completando a adaptação de domínio por agrupamento. Por fim, o classificador em conjunto XGBoost é usado para a classificação de imagens hiperespectrais, aumentando ainda mais a velocidade de treinamento e a confiança do modelo. Resultados experimentais nos conjuntos de dados hiperespectrais Pavia e Indiana mostram que a precisão geral da classificação do algoritmo proposto atinge 91,62% e 65,98%, respectivamente. Em comparação com outros modelos de classificação hiperespectral cross-cenário, o modelo proposto possui maior precisão na classificação dos objetos terrestres.

Imagens hiperespectrais; adaptação de domínio; atenção de núcleo grande; XGBoost