A classificação de imagens hiperespectrais com poucas amostras em domínios cruzados enfrenta desafios duplos: deslocamento de domínio e escassez de rotulagem. Métodos existentes geralmente dependem de características visuais puras ou empregam estratégias fixas de alinhamento texto-visual, dificultando a caracterização de informações espectrais discriminativas de grão fino e ignorando variações na qualidade das amostras do domínio alvo. Para isso, propomos um método de classificação baseado em contraste dinâmico aprimorado por texto e orientação adaptativa por protótipos. Primeiro, uma rede multiescala de dois ramos extrai características visuais espaço-espectrais dos blocos de imagem, e introduzimos um codificador de texto CLIP para obter representações semânticas em nível de classe como pontos âncora estáveis entre domínios; com base nisso, projetamos uma estratégia de aprendizado por contraste dinâmico reforçado por texto que ajusta dinamicamente os pesos das amostras negativas difíceis conforme o grau de confusão visual, melhorando a capacidade discriminativa de categorias de grão fino; ao mesmo tempo, construímos uma perda orientada por protótipos adaptativos que funde adaptativamente os pontos âncora textuais e os vizinhos visuais do domínio de origem com base na saliência discriminativa do protótipo do domínio alvo no espaço de características do domínio de origem, aumentando indiretamente a confiabilidade do protótipo do domínio alvo através da retropropagação do gradiente. Utilizando Chikusei como domínio fonte, realizamos experimentos cross-domain nos conjuntos de dados Indian Pines, Houston e Salinas como domínios alvos, com precisões gerais de classificação de 81,22%, 76,82% e 93,32%, respectivamente, superando em cerca de 2%~5% os métodos atuais de classificação cruzada com poucas amostras. O método proposto melhora significativamente a precisão e a estabilidade da classificação em cenários de poucas amostras cross-domain por meio da cooperação eficaz entre aprendizado por contraste dinâmico e orientação adaptativa de protótipos.

Classificação de imagens hiperespectrais;Aprendizado cross-domain com poucas amostras;Aprendizado por contraste dinâmico;Orientação adaptativa por protótipos;Alinhamento multimodal