基于知识蒸馏和早期退出的边缘设备轻量化遥感场景分类
计算机视觉与模式识别
2025-07-29 v1 人工智能
摘要
随着轻量化深度学习算法的发展，各种深度神经网络 (DNN) 模型已被提出用于遥感场景分类 (RSSC) 应用。然而，在受限资源的边缘设备上，这些RSSC模型在模型准确率、推理延迟和能源消耗之间实现最佳性能仍然具有挑战性。本文提出了一个轻量化RSSC框架，包括蒸馏后的全局滤波网络 (GFNet) 模型和针对边缘设备设计的早期退出机制，以实现领先的性能。具体而言，我们首先对GFNet模型应用频域蒸馏以减少模型大小。然后我们设计了一个针对边缘设备上DNN模型的动态早期退出模型，以进一步提高模型推理效率。我们在三个边缘设备上评估了E3C模型，并进行了四个数据集的测试。广泛的实验结果表明，它在模型推理方面实现平均1.3倍的加速，在能源效率方面实现40%以上的改进，同时保持高的分类准确率。
引用
@article{arxiv.2507.20623,
title = {Lightweight Remote Sensing Scene Classification on Edge Devices via Knowledge Distillation and Early-exit},
author = {Yang Zhao and Shusheng Li and Xueshang Feng},
journal= {arXiv preprint arXiv:2507.20623},
year = {2025}
}
备注
9 pages, 5 figures, to be published in ACM Multimedia 2025