一种基于细节注意力采样和师生网络的遥感图像分类方法

《Journal of Data and Information Quality》：A Remote Sensing Image Classification Method Based on Detail Attention Sampling and Teacher-Student Network

遥感图像分类中，针对高分辨率数据全局信息捕捉不足的问题，提出DATS模型。通过详细注意力机制将特征图空间关系融入通道特征，生成结构保留细节的注意力图；结合教师-学生网络和特征精修器，利用知识蒸馏整合局部细节与全局结构，在FGSCR-42、WHU-RS19、NWPU数据集上分别达到88.82%、91.82%、87.60%的Top-1精度。

　　

摘要

随着遥感技术的不断发展，高分辨率遥感图像的覆盖范围不断扩大，数据量也在不断增加，同时目标对象具有动态变化性，背景环境也变得复杂。然而，当前卷积神经网络的感知范围相对较窄，这使得从全局上下文中提取信息变得较为困难。为此，我们提出了一种结合“详细注意力机制”（Detailed Attention scheme）和“师生网络”（Teacher-Student network，简称DATS）的遥感图像分类方法，以有效捕捉全局信息。首先，通过详细注意力机制将特征图的空间关系整合到特征通道中，从而将特征图转换为注意力图，生成既保留结构又保留细节的图像。随后，师生网络以这些保留了细节和结构的图像作为输入，并利用特征细化器（feature refiners）进一步增强图像的细节层次。最后，通过知识蒸馏（knowledge distillation）将教师网络学习到的细粒度细节信息整合到主网络中，实现了局部细节特征与全局结构特征的有效结合。在FGSCR-42、WHU-RS19和NWPU数据集上的实验表明，该方法的前1名分类准确率分别达到了88.82%、91.82%和87.60%。