С расширенным применением технологий семантической сегментации дистанционных изображений на граничных устройствах становится ключевой научной задачей достижение баланса между точностью и эффективностью при ограниченных вычислительных ресурсах. В данной работе предложен метод дистилляции знаний на основе фильтрации в частотной области FDF (frequency domain filtering distillation). Этот метод использует центральную квадратную маску для фильтрации признаков учителя и ученика в преобразовании Фурье, селективно передавая структурированные низкочастотные знания из модели учителя при подавлении нерелевантных высокочастотных компонентов, эффективно преодолевая проблему высокочастотных шумов при дистилляции признаков на переднем конце кодировщика. Для дальнейшего исследования эффективной архитектуры дистилляции введена лёгкая сеть U-Lite в качестве модели ученика, обладающая значительными преимуществами по количеству параметров и скорости вывода. Комплексные эксперименты на трёх наборах данных дистанционного зондирования LoveDA (адаптация домена покрытия земель), Vaihingen и Potsdam показали, что FDF занимает лидирующие позиции по среднему глобальному улучшению производительности и среднему улучшению перекрытия областей, с заметно меньшим риском деградации производительности по сравнению с основными методами в частотной области. Стандартное отклонение разницы средней метрики mIoU (mean intersection over union) (1.03) превосходит канальный метод дистилляции CWD (1.25) и метод дистилляции Фурье (1.34), избегая при этом максимального снижения производительности до 2,37% у других методов. По вычислительной эффективности скорость вывода FDF достигает 16,63 мс на кадр, что примерно в 2,5 раза быстрее дистилляции вариаций признаков внутри класса IFVD и метода дистилляции Фурье. Эти преимущества делают FDF уникально ценным для практических сценариев граничных вычислений, обеспечивая высоконадежные решения сегментации в условиях ограниченных ресурсов.

глубокие нейронные сети; дистилляция знаний; семантическая сегментация; извлечение признаков; быстрое преобразование Фурье