Métodos eficientes y convenientes de clasificación de imágenes de rocas son importantes para la investigación geológica. Ayudan a identificar y categorizar rocas basadas en sus propiedades físicas y químicas, lo que puede proporcionar información sobre su historia geológica, origen y posibles usos en diversas aplicaciones. La clasificación e identificación de rocas a menudo dependen de profesionales experimentados y conocedores y son menos eficientes. La clasificación de imágenes de rocas de grano fino es una tarea desafiante debido a las sutiles diferencias inherentes entre categorías altamente confusas, lo que requiere un gran número de muestras de datos y recursos computacionales, lo que resulta en una baja precisión de reconocimiento y es difícil de aplicar en escenarios móviles, requiriendo el diseño de una arquitectura de clasificación de procesamiento de imágenes de alto rendimiento. En este documento diseñamos una arquitectura de aprendizaje basada en destilación de conocimiento y comparación de localización de características de alta precisión (FPCN) para generar modelos de clasificación de imágenes de rocas pequeños y de alto rendimiento. Específicamente, para un par de imágenes, interactuamos con los vectores de características generados a partir de los mapas de características localizadas para capturar características comunes y únicas, permitimos que la red se enfoque en información más complementaria según las diferentes escalas de los objetos, y luego las características importantes de las imágenes aprendidas de esta manera están disponibles para que el micro-modelo aprenda la información crítica para la discriminación a través de la destilación del modelo. El método propuesto mejora la precisión del micro-modelo en un 3%.