摘要
対象シーンの複雑な空間配置と高スペクトル画像固有の空間-スペクトル情報の冗長性などの課題に対して、エンドツーエンドの軽量深層グローバル-ローカル知識蒸留（Lightweight Deep Global-Local Knowledge Distillation、LDGLKD）ネットワークを提案した。空間-スペクトル特徴のグローバルな系列性を探るために、教師モデルのVision Transformer（ViT）を用いて軽量学生モデルが高スペクトル画像のシーン分類を行うよう指導した。LDGLKDは事前学習済みのVGG16を学生モデルに選択し局所的な詳細情報を抽出し、ViTとVGG16を知識蒸留で共同学習した後、教師モデルは学習した遠隔の文脈関係を小規模な学生モデルへ伝達する。LDGLKDは知識蒸留により両モデルの利点を組み合わせ、Orbitの高スペクトル画像シーン分類データセットOHID-SCおよび公開の高スペクトルリモートセンシング画像データセットHSRS-SCにてそれぞれ91.62％、97.96％の最高分類精度を達成した。実験結果はLDGLKDネットワークが優れた分類性能を有することを示している。Orbita Zhuhai-1衛星が提供するリモートセンシングデータを基に構築されたOHID-SCは詳細な地表被覆状況を反映し、高スペクトルシーン分類タスクのデータ支援を提供する。
关键词
高スペクトルシーン分類;特徴抽出;ビジョントランスフォーマー;知識蒸留;ベンチマークデータセット
以上内容由讯飞翻译自动生成，翻译内容仅供参考。对于因使用本网站翻译内容产生的相关后果，本网站不承担任何商业和法律责任。
The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website