従来のリモートセンシングシーン分類モデルはパラメータ数が多く、計算リソースを多く必要とし、特徴認識が不均一で分類精度が低いという問題に対し、改良されたShuffleNetV2ネットワークと知識蒸留に基づくリモートセンシング画像分類手法を提案する。まず、遠距離かつ高空間解像度のリモートセンシングシーンにおいて微細特徴を均等に抽出しにくい問題を解決するために、CBAMチャネル空間注意機構を導入した。次に、ShuffleNetV2ネットワークを軽量化するために改良された基本スタックユニットを縮小した。最後に、転移学習と知識蒸留の手法を用いて、事前学習済みモデルを読み込み、ResNet101を教師ネットワーク、改良されたShuffleNetV2を学生ネットワークとして用いることでリモートセンシングシーン分類精度を向上させた。実験結果は、改良されたShuffleNetV2のパラメータ数が28％削減され、精度が91.8％から94.8％に向上し、軽量モデルであるMoblieNetV3、MobileViTと比較してそれぞれ4.2％、4.5％向上したことを示している。本研究で改良したモデルは、高い分類精度を維持しつつ、より低い記憶容量である。

深層学習;画像分類;注意機構;軽量ニューラルネットワーク;知識蒸留