基于知识自蒸馏的轻量化复杂遥感图像精细分类方法
（《指挥与控制学报》刊文精选）
引用格式
孙显,杨竹君,李俊希,刁文辉,付琨.基于知识自蒸馏的轻量化复杂遥感图像精细分类方法[J].指挥与控制学报,,7(4):-.
SUNXian,YANGZhu-Jun,LIJun-Xi,DIAOWen-Hui,FUKun.LightweightFineClassificationofComplexRemoteSensingImagesBasedonSelfKnowledgeDistillation[J].JournalofCommandandControl,,7(4):-.
摘要
基于遥感图像开展地物要素分类和提取，是构建数字化战场环境的技术基础，面临着场景多变、类别多样、噪声干扰等挑战。经典深度学习模型结构复杂、计算量大，难以满足低性能、低功耗边缘计算环境下的实时信息处理要求。提出了一种基于知识自蒸馏的轻量化复杂遥感图像精细分类方法，通过构建一步式自蒸馏框架，实现网络从高层到低层的知识迁移。同时通过金字塔池化融合不同尺度的特征信息，显著提升全局上下文信息的利用率，解决轻量化分类模型由于参数较少、复杂度低，导致场景精细分类精度低的难题。在Vaihingen等公开遥感数据集和我国高分遥感数据集上开展实验，较国际同类方法具有更优的分类性能。
随着人类逐步迈入"智能+"时代，信息与智能技术催生的战争正呈现出物理、网络和社会系统虚实互动、协同共生的发展态势[1-2]。数字化战场建设作为战场信息保障系统的首要任务和决定战争胜负的关键因素，在未来的长期作战中起到至关重要的作用。遥感图像覆盖区域广、探测范围大，并且可以返回不同时刻的地表状态，是数字化战场的重要信息传输媒介。基于遥感图像开展地物要素精细分类，获取真实场景的多维实时战场数据和敌我对抗信息，是构建数字化战场环境的技术基础。
传统基于深度神经网络的遥感图像精细分类方法往往存在参数量大、计算资源要求高等问题，难以部署和应用在低功耗、低性能的边缘计算设备上[3]，极大限制了深度学习等智能方法的应用。基于此问题，轻量化网络模型设计逐渐受到研究人员的