目的跨域分类是高光谱图像分类的主要挑战之一。结合域适应与少样本学习的跨域少样本学习（cross domain few shot learning，CDFSL）方法已广泛应用于跨域高光谱图像分类（cross domain hyperspectral image classification，CD-HIC）问题。由于光谱序列编码的复杂度和类间的光谱相似性，现有的CDFSL方法大多使用卷积神经网络（convolutional neural network， CNN）或其他优秀的空间特征提取器来获取空间信息，以提高分类精度。然而，提取空间特征通常伴随着地面物体分布和类别边界的扭曲。为解决该问题，本文提出了嵌入Transformer层的轻量型Res-3D-CNN（lightweight Res-3D-CNN with Transformer layer embedding，LRCT）作为CD-HIC的特征提取器。LRCT能在提取空间信息的同时获取光谱的长期依赖性，从而显著提高光谱特征方法的判别性能。方法CNN中的卷积（Conv）通过局部感受野的权重共享机制捕捉图像高频特征。而Transformer可通过自注意力机制建模特征间的长程依赖关系，并自适应聚焦关键区域。此外，Transformer表现出低通滤波特性，主要捕获图像的低频全局信息。基于Conv和Transformer的互补特性，将Transformer层嵌入Res-3D-CNN构建轻量型双流特征提取网络，分别对源域和目标域进行特征提取，通过CDFSL框架迁移源域通用特征，实现目标域少样本场景下的高精度分类。结果以 Chikusei 数据为源域， Indian Pines、Salinas和Pavia University为目标域进行验证。实验结果表明，在每类仅有5个标记样本时，目标域上的总体精度分别达到 71.01%、92.06%和84.14%。相较于主流的CDFSL方法，基于LRCT网络的CDFSL（LRCT network based CDFSL， LRCT-CDFSL）方法在各个目标域上均展现出更优的分类性能。结论LRCT-CDFSL结合了残差三维卷积神经网络（residual 3-dimensionl CNN，Res-3D-CNN）、Transformer网络、域适应和少样本学习方法的优势，使CD-HIC精度提升。
Lixia et al. (Thu,) studied this question.