Ante los problemas de los modelos tradicionales de clasificación de escenas de teledetección, tales como el gran número de parámetros, la necesidad de muchos recursos computacionales y el reconocimiento desigual de características que conduce a una baja precisión de clasificación, se propone un método de clasificación de imágenes de teledetección basado en la red mejorada ShuffleNetV2 y la destilación de conocimiento. Primero, para resolver el problema de la difícil extracción uniforme de características pequeñas en escenas de teledetección de larga distancia y alta resolución espacial, se introduce el mecanismo de atención espacial y de canal CBAM; en segundo lugar, se mejora y aligera la red ShuffleNetV2 reduciendo las unidades básicas apiladas mejoradas; por último, utilizando el aprendizaje por transferencia y la destilación de conocimiento, se carga un modelo preentrenado, usando ResNet101 como red maestra y la ShuffleNetV2 mejorada como red estudiante para mejorar la precisión de clasificación de escenas de teledetección. Los resultados experimentales muestran que la cantidad de parámetros de la ShuffleNetV2 mejorada se reduce en un 28 %, la precisión aumentó de 91.8% a 94.8%, con mejoras del 4.2% y 4.5% en comparación con los modelos ligeros MoblieNetV3 y MobileViT, respectivamente. El modelo mejorado en este estudio mantiene una alta precisión de clasificación mientras ocupa menos espacio de almacenamiento.

aprendizaje profundo;clasificación de imágenes;mecanismo de atención;redes neuronales ligeras;destilación del conocimiento