Key points are not available for this paper at this time.
حاليًا، اجتذبت عملية تصنيف الصور الطيفية فائق التوصيل (HSI) عبر المشاهد مزيدًا من الاهتمام. من الضروري تدريب نموذج فقط على مجال المصدر (SD) ونقل النموذج مباشرة إلى مجال الهدف (TD)، عندما يحتاج TD إلى المعالجة في الوقت الفعلي ولا يمكن إعادة استخدامه للتدريب. استنادًا إلى فكرة تعميم المجال، تم تطوير شبكة توسيع المجال الأحادية المصدر (SDEnet) لضمان موثوقية وفعالية توسيع المجال. تستخدم الطريقة التعلم التنافسي التوليدي للتدريب في SD والاختبار في TD. تم تصميم مولد يتضمن مشفر دلالي ومشفر مورفولوجي لتوليد المجال الممتد (ED) استنادًا إلى بنية مشفر-عشوائي-موحد، حيث يتم استخدام العشوائية المكانية والعشوائية الطيفية بشكل خاص لتوليد معلومات مكانية وطيفية متغيرة، ويتم تطبيق المعرفة المورفولوجية بشكل ضمني كمعلومات لا تتغير عبر المجال أثناء توسيع المجال. علاوة على ذلك، يتم استخدام التعلم المتباين المراقب في المميز لتعلم تمثيل مستقل عن المجال وفقًا للفئة، مما يدفع عينات الفئة الداخلية من SD وED. في الوقت نفسه، تم تصميم التدريب التنافسي لتحسين المولد لدفع عينات الفئة الداخلية من SD وED لتكون مفصولة. تظهر التجارب الموسعة على مجموعتين من البيانات العامة HSI ومجموعة بيانات إضافية للصور الطيفية المتعددة (MSI) تفوق الطريقة المقترحة عند مقارنتها بالتقنيات الحديثة. ستكون الأكواد متاحة من الموقع: https: //github. com/YuxiangZhang-BIT/IEEETIPSDEnet.
درس زانغ وآخرون (سون) هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: