В связи с проблемами традиционных моделей классификации удалённых сенсорных сцен, такими как большой объём параметров модели, высокие требования к вычислительным ресурсам и неоднородное распознавание признаков, приводящее к низкой точности классификации, предложен метод классификации спутниковых изображений на основе улучшенной сети ShuffleNetV2 и знания дистилляции. Во-первых, чтобы решить проблему сложного равномерного извлечения мелких признаков в удалённых сценах с высоким пространственным разрешением, введён CBAM — механизм пространственного и канального внимания; во-вторых, проведена облегчённая модификация сети ShuffleNetV2 с уменьшением улучшенного базового стека; наконец, с помощью переноса обучения и дистилляции знаний загружается предварительно обученная модель: ResNet101 используется в качестве сети-учителя, улучшенная ShuffleNetV2 — в качестве сети-ученика для повышения точности классификации удалённых сцен. Экспериментальные результаты показывают, что количество параметров улучшенной ShuffleNetV2 сокращено на 28%, точность возросла с 91,8% до 94,8%, что на 4,2% и 4,5% выше по сравнению с легковесными моделями MoblieNetV3 и MobileViT соответственно. Предложенная в исследовании модель достигает высокой точности классификации, занимая при этом меньше памяти.

глубокое обучение;классификация изображений;механизм внимания;лёгкие нейронные сети;дистилляция знаний