전통적인 원격 탐사 장면 분류 모델이 매개변수 수가 많고, 많은 계산 자원이 필요하며, 특징 인식의 불균일성으로 인해 분류 정확도가 낮은 문제를 해결하기 위해 개선된 ShuffleNetV2 네트워크와 지식 증류 기반의 원격 탐사 이미지 분류 방법을 제안한다. 먼저, 먼 거리 및 고해상도의 원격 탐사 장면에서 작은 특징을 균등하게 추출하기 어려운 문제를 해결하기 위해 CBAM 채널 공간 주의 메커니즘을 도입했다; 다음으로 ShuffleNetV2 네트워크를 경량화하여 개선된 기본 스택 유닛을 축소했다; 마지막으로 전이 학습과 지식 증류 방법을 사용하여 사전 학습된 모델을 불러오고, ResNet101을 교사 네트워크로, 개선된 ShuffleNetV2를 학생 네트워크로 사용하여 원격 탐사 장면 분류 정확도를 향상시켰다. 실험 결과 개선된 ShuffleNetV2의 매개변수 수가 28% 감소했으며, 정확도는 91.8%에서 94.8%로 향상되었고, 경량 모델 MoblieNetV3, MobileViT 대비 각각 4.2%, 4.5% 향상되었다. 본 연구에서 개선된 모델은 높은 분류 정확도를 유지하면서도 저장 공간을 덜 차지한다.

딥러닝;영상 분류;주의 메커니즘;경량 신경망;지식 증류