基于知识蒸馏的高光谱图像增强分类：关于遗忘的研究

在高光谱图像的增量分类任务中，灾难性遗忘是不可避免的挑战。虽然记忆召回方法可缓解此问题，但其依赖于来自旧类别的样本。本文提出一种基于教师的知识保留方法，用于增量图像分类。该方法通过利用增量类别样本，减轻模型对旧类别样本的遗忘，无需依赖旧类别样本。此外，本文引入一种基于掩码的部分类别知识蒸馈算法。通过解耦知识蒸馈，该方法过滤掉可能误导学生模型的潜在错误信息，从而提升整体准确率。对所提方法进行比较与消融实验，结果表明其性能稳健且有效。