高光谱图像(HSI)分类中的一个挑战是,针对非常高维数据,标注样本数量有限,难以训练分类器。在实际应用中,经常会遇到一个标注数据极少的高光谱图像域(称为目标域),而另一个高光谱图像域(称为源域)可能有足够的标注数据。这两个域之间的类别可能并不相同。本代码试图利用源类数据来帮助分类目标类,包括相同类和新的未见过的类。为了解决这一分类范式,通常采用少样本学习(FSL)的元学习范式。然而,现有的 FSL 方法并未考虑源域与目标域之间的领域偏移。为了解决领域偏移下的 FSL 问题,提出了一种新颖的深度跨领域少样本学习方法。