摘要
高光谱图像（HSI）分类对于遥感应用至关重要，但面临着在精度与推理效率之间取得平衡的挑战。现有的基于图的知识蒸馏（KD）方法局限于单一几何空间，忽略了地物覆盖类别的层次化语义。跨几何蒸馏将多种几何结构压缩到单一的欧几里得学生模型中，迫使一种几何坍塌到另一种几何之中。在本文中，我们提出了双空间知识蒸馏（DSKD），这是一种新颖的双学生双空间知识蒸馏框架，集成欧几里得（GCN）与双曲（HGCN）教师模型，以联合训练一个原生MLP学生模型和一个原生HNN学生模型。通过跨几何特征桥接（CGFB）与输出分布凝聚（ODC），两个学生模型相互学习彼此的互补几何特性，因此DSKD能够捕获互补的空谱特征与层次化特征，同时实现无需消息传递的无图推理。在四个HSI数据集和四个通用图基准上的大量实验表明，DSKD在大多数设置下均优于单空间蒸馏及单学生跨几何基线方法，验证了其在多样化图结构数据上的有效性与泛化能力。
