摘要
نظرًا لمشاكل نماذج تصنيف المشاهدات عن بعد التقليدية مثل عدد كبير من معلمات النموذج، واحتياجها إلى موارد حسابية كثيرة، وعدم تجانس التعرف على الميزات مما يؤدي إلى دقة تصنيف منخفضة، تم اقتراح طريقة تصنيف صور الاستشعار عن بعد بناءً على شبكة ShuffleNetV2 المحسنة وتقطير المعرفة. أولاً، لحل مشكلة صعوبة استخراج الميزات الصغيرة بشكل متساوٍ في مشاهد الاستشعار عن بعد ذات المسافات البعيدة والدقة الفضائية العالية، تم إدخال آلية الانتباه المكاني للقناة CBAM؛ ثانيًا، تم تحسين شبكة ShuffleNetV2 لتصبح أخف وزناً عن طريق تقليل وحدة التكديس الأساسية المحسنة؛ وأخيرًا، باستخدام التعلم النقلي وتقنية تقطير المعرفة، تم تحميل نموذج مدرب مسبقًا، مع استخدام ResNet101 كشبكة المعلم ونسخة ShuffleNetV2 المحسنة كشبكة الطالب، لتحسين دقة تصنيف مشاهد الاستشعار عن بعد. أظهرت النتائج التجريبية أن عدد معلمات ShuffleNetV2 المحسنة انخفض بنسبة 28٪، وزادت الدقة من 91.8٪ إلى 94.8٪، مع تحسن بنسبة 4.2٪ و4.5٪ بالمقارنة مع النماذج الخفيفة MoblieNetV3 وMobileViT على التوالي. يُظهر النموذج المحسن في هذا البحث توازناً بين دقة التصنيف العالية واستهلاك مساحة تخزين أقل.
关键词
التعلم العميق;تصنيف الصور;آلية الانتباه;الشبكات العصبية الخفيفة;تقطير المعرفة
以上内容由讯飞翻译自动生成，翻译内容仅供参考。对于因使用本网站翻译内容产生的相关后果，本网站不承担任何商业和法律责任。
The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website