1.一种基于双网络的遥感影像分类模型样本增量学习方法，其特征在于：包括以下步骤；

（1）利用原始训练数据集D0训练分类模型，得到能识别N种遥感影像类别的分类模型M0；

所述D0中的训练样本为带有遥感影像类别标签的遥感图像，D0的类别集为C={C1，C2，…，CN}，N为遥感影像类别总数；

（2）构造用于样本增量学习的数据流D={D1，D2，…，Dt}，t=1，2，…，第t次增量学习的训练集为Dt，学习得到的模型为Mt，Dt中训练样本的类别集和D0相同；

（3）依次进行增量学习，第t次增量学习的过程包括（31）（33）；

~

（31）构造一双网络模型，包括第一网络模型Mt1和第二网络模型Mt2，二者均由t‑1次增量学习得到的模型Mt‑1初始化得到，当t=1时，Mt‑1为M0；

（32）用Dt训练第一网络模型Mt1，采用知识蒸馏方法计算Mt1与Mt‑1的蒸馏损失Lkd；用Dt训练第二网络模型Mt2，计算Mt2和Mt1的一致性损失Lcon；

（33）知识协同学习；

根据第一网络模型Mt1的输出，计算其分类损失Lce；

计算第一网络模型Mt1的完整损失函数Lall，通过知识协同策略更新Mt2的权重，再将Mt2作为本次学习得到的模型Mt； 式中，λ和β分别为Lkd和Lce的权重；

步骤（33）中，通过下式计算Mt1的分类损失Lce；

式中，n为Dt中训练样本的总数，xi为Dt中第i个训练样本，yi为xi的遥感影像类别标签， 为xi在Mt1中的输出概率；

步骤（33）中通过知识协同策略更新Mt的权重具体为，通过下式更新Mt的权重；

式中，j表示第t次增量学习中的第j轮训练，α是平滑系数超参数，和 分别表示为第一网络模型Mt1、第二网络模型Mt2的内部权重。

2.根据权利要求1所述的基于双网络的遥感影像分类模型样本增量学习方法，其特征在于：对训练集Dt， 式中xi为Dt中第i个训练样本，yi为xi的遥感影像类别标签，n为Dt中的样本总数。

3.根据权利要求1所述的基于双网络的遥感影像分类模型样本增量学习方法，其特征在于：步骤（2）中，D1训练的分类模型为ResNet网络模型。

4.根据权利要求1所述的基于双网络的遥感影像分类模型样本增量学习方法，其特征在于：所述步骤（32）中，通过下式计算蒸馏损失Lkd；

式中，n为Dt中的样本总量， 和 是分别是Mt‑1中和Mt1中第i个训练样本对应的带温度参数T的softmax函数；

其中 和 分别为Dt中第i个训练样本在Mt‑1中和Mt1中的输出概率，k=1 N，表示第k个遥感影像类别。

~

5.根据权利要求1所述的基于双网络的遥感影像分类模型样本增量学习方法，其特征在于：通过下式计算一致性损失Lcon；

其中 和 表示第i个训练样本在Mt1和Mt2中的输出概率，MSE(.)为 和 间的期望距离。