Devido aos problemas dos modelos tradicionais de classificação de cenários de sensoriamento remoto, como o grande número de parâmetros do modelo, alta demanda por recursos computacionais e reconhecimento desigual das características que levam a baixa precisão na classificação, é proposta uma metodologia de classificação de imagens de sensoriamento remoto baseada na rede ShuffleNetV2 melhorada e na destilação de conhecimento. Primeiro, para resolver o problema da extração uniforme de pequenas características em cenários de sensoriamento remoto de longa distância e alta resolução espacial, é introduzido o mecanismo de atenção espacial e de canal CBAM; em seguida, a rede ShuffleNetV2 é aprimorada e aligeirada reduzindo as unidades básicas empilhadas melhoradas; por último, utilizando aprendizado por transferência e destilação de conhecimento, carrega-se um modelo pré-treinado, usando a ResNet101 como rede professora e a ShuffleNetV2 melhorada como rede estudante, melhorando a precisão da classificação dos cenários de sensoriamento remoto. Os resultados experimentais mostram que a quantidade de parâmetros da ShuffleNetV2 melhorada foi reduzida em 28%, a precisão aumentou de 91,8% para 94,8%, com melhorias de 4,2% e 4,5% em comparação com os modelos leves MoblieNetV3 e MobileViT, respectivamente. O modelo melhorado neste estudo mantém alta precisão de classificação enquanto ocupa menos espaço de armazenamento.

aprendizado profundo;classificação de imagens;mecanismo de atenção;redes neurais leves;destilação de conhecimento