.png){kind=icon}
.png){kind=icon}
返回
A Progressive Semi-Distillation Model for Dual-Source Remote Sensing Image Classification
.png){kind=icon}
PRE
AI
DOI：10.1109/TCYB.2025.3616504.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
全色图像（PANs）和多光谱图像（MSs）被广泛用于双源遥感图像分类，逐渐成为研究热点。然而，在标签样本不足的情况下充分利用双源图像信息是一个重大挑战。本文提出了一种渐进式半蒸馏模型（PSDM），用于在样本不足的情况下对双源遥感图像进行分类。我们在传统教师网络（TN）（即新手教师网络（RTN））无法为 studenti 网络提供良好指导的情况下（由于样本不足），设计了新手教师网络（RTN）-助教系统（TAS）-学生分组网络（SGN）的框架。PSDM 通过 RTN-SGN 结构扩展样本并压缩空间，以应对样本不足的困境。为了让 RTN 更好地指导 SGN，我们设计了 TAS，它能够逐步引导 SGN 从易到难学习样本。它还能进一步协助 SGN 训练，以提高在样本不足情况下的分类性能。我们设计了 SGN 并添加了合作与纠正机制，以更好地学习双源信息。这些策略可以消除 SGN 对 RTN 的过度依赖，帮助 SGN 超越 RTN，并实现半蒸馏效果。实验结果和理论分析充分表明，在样本不足的情况下，所提出的方法在准确性、效率和鲁棒性方面表现出色。我们的模型可在 https://github.com/MarjordCpz/PSDM 获取。
Keyword:
Deep learning
dual-source image classification
few-shot learning (FSL)
knowledge distillation (KD)
panchromatic (PAN) and multispectral (MS)
remote sensing