In Anbetracht der Probleme traditioneller Modelle zur Klassifizierung von Fernerkundungsszenen, wie der großen Anzahl von Modellparametern, dem hohen Rechenressourcenbedarf und der ungleichmäßigen Merkmalsextraktion, die zu geringer Klassifizierungsgenauigkeit führt, wird eine Methode zur Fernerkundungsbildklassifizierung basierend auf dem verbesserten ShuffleNetV2-Netzwerk und Wissensdestillation vorgeschlagen. Zunächst wird zur Lösung des Problems der schwierigen gleichmäßigen Extraktion kleiner Merkmale in Fernerkundungsszenen mit großer Entfernung und hoher räumlicher Auflösung der CBAM-Kanal-Raum-Aufmerksamkeitsmechanismus eingeführt; dann wird das ShuffleNetV2-Netzwerk durch Reduzierung der verbesserten Basisstapel-Einheit leichter gemacht; schließlich wird mittels Transferlernen und Wissensdestillation ein vortrainiertes Modell geladen, wobei ResNet101 als Lehrernetzwerk und das verbesserte ShuffleNetV2 als Schülernetzwerk verwendet wird, um die Klassifizierungsgenauigkeit von Fernerkundungsszenen zu erhöhen. Die experimentellen Ergebnisse zeigen, dass die Anzahl der Parameter des verbesserten ShuffleNetV2 um 28 % reduziert wurde, die Genauigkeit von 91,8 % auf 94,8 % gestiegen ist und im Vergleich zu den leichten Modellen MoblieNetV3 und MobileViT jeweils um 4,2 % bzw. 4,5 % verbessert wurde. Das in dieser Studie verbesserte Modell erreicht eine hohe Klassifizierungsgenauigkeit bei gleichzeitig geringerem Speicherplatzbedarf.

Tiefenlernen;Bildklassifikation;Aufmerksamkeitsmechanismus;leichte neuronale Netzwerke;Wissensdestillation