基于解耦知识蒸馏的遥感图像分类
计算机视觉与模式识别
2025-06-10 v2
摘要
为解决现有遥感图像分类模型参数数量大的挑战——这会阻碍在资源受限设备上的部署——本文提出了一种基于知识蒸馏的轻量级分类方法。具体而言，采用 G-GhostNet 作为骨干网络，利用特征复用机制减少冗余参数，显著提升推理效率。此外，采用解耦知识蒸馈策略，将目标类和非目标类进行分离，从而有效提升分类准确率。在 RSOD 和 AID 数据集上的实验结果表明，与高参数 VGG-16 模型相比，所提方法在几乎等效的 Top-1 准确率下，参数数量减少了 6.24 倍。该方法在模型规模与分类性能之间取得了优异的平衡，为在资源受限设备上部署提供了高效解决方案。
关键词
引用
@article{arxiv.2505.19111,
title = {Remote Sensing Image Classification with Decoupled Knowledge Distillation},
author = {Yaping He and Jianfeng Cai and Qicong Hu and Peiqing Wang},
journal= {arXiv preprint arXiv:2505.19111},
year = {2025}
}
备注
7