Diante do problema da inconsistência na distribuição entre dados anotados do domínio fonte e dados não anotados do domínio alvo na classificação de imagens hiperespectrais, propõe-se um método de adaptação de domínio não supervisionado baseado em transporte ótimo parcial para realizar a classificação em nível de pixel de objetos terrestres em imagens hiperespectrais com diferentes distribuições de dados. Utiliza-se uma rede neural convolucional profunda para mapear as amostras para um espaço latente de alta dimensão e estabelece-se um esquema de transporte de amostras baseado na teoria do transporte ótimo parcial, minimizando a diferença de distribuição entre domínios e construindo um modelo adaptativo. São adotadas técnicas de amostragem consciente de classe e uma estratégia adaptativa de ajuste do fator de pontuação de qualidade para promover o alinhamento de classes entre domínios e estabelecer o transporte ótimo global. Os experimentos foram realizados em dois conjuntos públicos de dados de imagens hiperespectrais, comparando quantitativamente os resultados da classificação de pixels por três métricas: precisão global OA (%), precisão média por classe AA (%) e coeficiente Kappa de consistência de classificação (×100). Os resultados experimentais mostram que, nas duas tarefas de transferência, em comparação ao modelo base que utiliza apenas dados do domínio fonte, a precisão global de classificação aumentou 2,21% e 2,75%, e em comparação à estratégia original de transporte ótimo, aumentou 1,71% e 2,01%, indicando que o modelo pode melhorar efetivamente a precisão da classificação em nível de pixel de objetos terrestres em imagens hiperespectrais.

Visão computacional; redes neurais; adaptação de domínio; transporte ótimo; imagens hiperespectrais