Wang Dai, Kebiao Mao, Zhonghua Guo, Zhihao Qin, Jiancheng Shi, Sayed M. Bateni, Liurui Xiao, Joint Optimization of AI Large and Small Models for Surface Temperature and Emissivity Retrieval Using Knowledge Distillation, Artificial Intelligence in Agriculture, 2025, 15,407–425. PDF下载：https://doi.org/10.1016/j.aiia.2025.03.009

https://www.sciencedirect.com/science/article/pii/S2589721725000406?via%3Dihub  

  利用知识蒸馏技术对AI大模型和小模型进行联合优化以反演地表温度和发射率

主要内容：

该研究提出了一种基于知识蒸馏的联合优化方法，旨在通过将大模型的知识迁移到小模型中，实现高精度的地表温度和发射率反演，同时保持计算效率。研究团队首先构建了一个大模型，该模型结合了物理模型和深度学习模型的优势，能够高精度地反演地表温度和发射率。然后，利用知识蒸馏技术，将大模型的知识迁移到一个小模型中，使得小模型在保持高精度的同时，计算效率得到显著提高。该方法通过在多个遥感数据集上的实验验证，证明了其在地表温度和发射率反演任务中的有效性。

创新点：

1. 联合优化大模型和小模型：该研究首次提出了将大模型和小模型进行联合优化的方法，通过知识蒸馏技术，实现了高精度和高效率的平衡。

2. 结合物理模型和深度学习模型：在大模型的构建中，研究团队将物理模型和深度学习模型相结合，充分利用了遥感数据的物理特性和深度学习模型的表达能力，提高了反演精度。

3. 多数据集验证：该方法在多个遥感数据集上进行了验证，证明了其在不同场景下的适用性和有效性。

该研究为地表温度和发射率反演任务提供了一种新的思路，具有重要的理论意义和应用价值。

转载本文请联系原作者获取授权，同时请注明本文来自毛克彪科学网博客。

链接地址：https://wap.sciencenet.cn/blog-67260-1484472.html?mobile=1

收藏

分享