.png){kind=icon}
返回
Distilling spectral-spatial knowledge for efficient hyperspectral image classification
.png){kind=icon}
PRE
AI
DOI：10.1007/s11760-025-04359-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高光谱成像包含大量的空间-光谱信息。由更深更大卷积网络架构驱动的视觉识别系统能够实现复杂场景的准确分类。集成学习方法常用于提升模型性能，但这类技术会随着模型复杂度的增加而使计算需求增加数倍。本研究提出了一种知识蒸馏框架，其中更庞大的教师网络将其空间-光谱知识传递给更小的学生网络。学生网络通过结合蒸馏和交叉熵损失进行训练。教师网络从HSI数据中学习复杂模式，并生成编码类间关系的软化输出概率。这些信息被蒸馏到一个计算效率更高的学生网络中，该网络通过组合损失函数训练，使其预测结果与教师网络的输出保持一致。在三个不同土地覆盖数据集上的实验结果表明，蒸馏后的学生网络相较于独立的学生网络，在农业土地覆盖数据集上实现了模型复杂度降低的同时，准确率从92.3%提升至96.9%。
Keyword:
Hyperspectral images
Classification
Knowledge distillation
Teacher-student networks
期刊
IF:
2.1
论文数:
908
被引数:
4.6K
机构
引用论文
.png){kind=icon}
分享收藏
Revolutionizing hyperspectral image classification for limited labeled data: unifying autoencoder-enhanced GANs with convolutional neural networks and zero-shot learning革命化有限标注数据下的高光谱图像分类：统一自动编码器增强的生成对抗网络、卷积神经网络和零样本学习
PREAI
分享收藏A Lightweight Conditional Convolutional Neural Network for Hyperspectral Image Classification轻量级条件卷积神经网络用于高光谱图像分类
PREAI
分享收藏A 3D-convolutional-autoencoder embedded Siamese-attention-network for classification of hyperspectral images用于高光谱图像分类的嵌入3D卷积自编码器的Siamese注意力网络
PREAI
分享收藏
查看更多内容