Face aux problèmes des modèles traditionnels de classification des scènes de télédétection, notamment le grand nombre de paramètres, les ressources de calcul importantes requises, et la reconnaissance inégale des caractéristiques entraînant une faible précision de classification, une méthode de classification d’images de télédétection basée sur un réseau ShuffleNetV2 amélioré et la distillation des connaissances est proposée. Tout d’abord, pour résoudre le problème de l’extraction homogène des petites caractéristiques dans les scènes de télédétection à longue distance et haute résolution spatiale, un mécanisme d’attention canal-spatial CBAM est introduit ; ensuite, le réseau ShuffleNetV2 est allégé en réduisant les unités empilées de base améliorées ; enfin, en utilisant l’apprentissage par transfert et la distillation de connaissances, un modèle pré-entraîné est chargé, avec ResNet101 comme réseau enseignant et ShuffleNetV2 amélioré comme réseau étudiant, pour améliorer la précision de classification des scènes de télédétection. Les résultats expérimentaux montrent que le nombre de paramètres de ShuffleNetV2 amélioré est réduit de 28 %, que la précision est passée de 91,8 % à 94,8 %, avec une amélioration respective de 4,2 % et 4,5 % par rapport aux modèles légers MoblieNetV3 et MobileViT. Le modèle amélioré proposé dans cette étude maintient une précision de classification élevée tout en occupant un espace de stockage plus faible.

apprentissage profond;classification d’images;mécanisme d’attention;réseaux neuronaux légers;distillation des connaissances