近日，信电学院叶昕副教授在人工智能领域权威期刊Pattern Recognition上围绕高光谱遥感影像分类发表论文A query-driven twin network framework with optimization-based meta-learning for few-shot hyperspectral image classification。

高光谱影像能够提供丰富的空间与光谱信息，为观测场景提供深入的解析能力。每个像素可视为一个高维向量，表示在不同波长下的反射率，同类地物的像素通常具有相似的物质或物理特性。高光谱影像分类已在多个领域得到广泛应用。近年来，深度学习在多种复杂任务中取得了重大进展，并被广泛应用于遥感影像分类。通过多层神经网络结构，深度学习能够从原始数据中高效提取特征信息。然而，深度学习方法的性能仍高度依赖于大量标注训练样本，而在实际高光谱应用中，标注成本高昂且需具备领域知识，因而限制了模型的广泛应用。因此，如何在有限标注样本条件下仍能保持模型的良好泛化能力，成为高光谱分类的关键研究问题。元学习通过在多任务中学习通用知识或学习策略，为小样本学习提供了一种有效解决方案。其核心思想是从多样化的元任务中提取可迁移的元知识，使模型能够在极少样本条件下实现快速适应。基于度量的元学习方法在小样本分类中表现出色，已被证明在有限数据条件下具有较高的有效性。

该文提出一种查询驱动的元学习双网络框架，用于单数据集条件下的高光谱小样本分类，通过端到端的自适应元任务构建机制并独立控制支持集与查询集的元知识更新方向，提升了内部网络的训练效率与稳健性。在多个公开高光谱数据集的实验结果验证了所提框架的性能在不同复杂度场景下的有效性与优越性能。

上述论文的第一完成单位为中国农业大学，信电学院2025级博士研究生朱健为论文第一作者，叶昕副教授为论文通讯作者，其他作者来自中国农业大学和中国西南电子技术研究所。