Para enfrentar os desafios da complexa disposição espacial das cenas-alvo e da redundância inerente das informações espaço-espectrais em imagens hiperespectrais, foi proposta uma rede leve de destilação profunda de conhecimento global-local (Lightweight Deep Global-Local Knowledge Distillation, LDGLKD) ponta a ponta. Para explorar as propriedades de sequência global das características espaço-espectrais, o modelo professor Vision Transformer (ViT) foi usado para guiar o modelo aluno leve na classificação de cenas hiperespectrais. O LDGLKD escolheu o VGG16 pré-treinado como modelo aluno para extrair detalhes locais, e após o treinamento cooperativo por destilação de conhecimento entre ViT e VGG16, o modelo professor transmite as relações contextuais remotas aprendidas para o modelo aluno em pequena escala. O LDGLKD pode combinar as vantagens de ambos os modelos através da destilação de conhecimento, alcançando as melhores precisões de classificação de 91,62% e 97,96% nos conjuntos de dados OHID-SC para classificação de cenas hiperespectrais de Orbit e no conjunto de dados público HSRS-SC, respectivamente. Os resultados experimentais mostram que a rede LDGLKD possui um bom desempenho de classificação. O conjunto de dados OHID-SC, construído com dados de sensoriamento remoto fornecidos pelo satélite Orbita Zhuhai-1, pode refletir detalhes da cobertura superficial e fornecer suporte de dados para a tarefa de classificação de cenas hiperespectrais.

Classificação de cenas hiperespectrais;Extração de características;Vision Transformer;Destilação de conhecimento;Conjunto de dados de referência