대상 장면의 복잡한 공간 배치와 고분광 영상固有의 공간-스펙트럼 정보 중복 문제를 해결하기 위해, 종단 간 경량화 심층 전역-국부 지식 증류(Lightweight Deep Global-Local Knowledge Distillation, LDGLKD) 네트워크를 제안하였다. 공간-스펙트럼 특성의 전역 시퀀스 속성을 탐구하기 위해, 교사 모델인 Vision Transformer(ViT)를 사용하여 경량 학생 모델이 고분광 영상 장면 분류를 수행하도록 지도하였다. LDGLKD는 사전 학습된 VGG16을 학생 모델로 선택하여 국부 세부 정보를 추출하고, ViT와 VGG16의 지식 증류 공동 학습을 통해 교사 모델이 학습한 원격 문맥 관계를 소규모 학생 모델에 전달한다. LDGLKD는 지식 증류를 통해 두 모델의 장점을 결합할 수 있으며, 오르빗 고분광 영상 장면 분류 데이터셋 OHID-SC 및 공개 고분광 원격 탐사 이미지 데이터셋 HSRS-SC에서 각각 91.62%와 97.96%의 최고 분류 정확도를 달성하였다. 실험 결과는 LDGLKD 네트워크가 우수한 분류 성능을 갖고 있음을 보여준다. Orbita Zhuhai-1 위성이 제공하는 원격 탐사 데이터를 기반으로 구축된 OHID-SC는 상세한 지표면 피복 상태를 반영하고 고분광 장면 분류 작업에 데이터 지원을 제공한다.

고분광 장면 분류;특징 추출;비전 트랜스포머;지식 증류;벤치마크 데이터셋