DL-KDD：用于暗光环境下动作识别的双光知识蒸馏

暗视频中的人类动作识别是计算机视觉中的一个具有挑战性的任务。最近的研究聚焦于应用暗光增强方法来提高视频可见性，但此类视频处理会导致对原始（未增强）视频中关键信息的丢失。相反，传统的双流方法能够从原始和处理后的视频中学习信息，但在视频分类任务的推理阶段会导致计算成本显著增加。为此，我们提出了一种新颖的教师-学生视频分类框架，称为Dual-Light KnowleDge Distillation for Action Recognition in the Dark（DL-KDD）。该框架使模型能够在训练期从原始和增强视频中学习，而在推理阶段不会引入额外的计算成本。具体而言，DL-KDD利用知识蒸馏策略进行训练。教师模型使用增强视频训练，学生模型使用原始视频和教师模型生成的软目标一起训练。这种教师-学生框架允许学生模型仅使用原始输入视频进行动作预测。在我们的实验中，提出的DL-KDD框架在ARID、ARID V1.5和Dark-48数据集上超越了最先进的方法。我们在每个数据集上均取得最佳性能，并在Dark-48数据集上实现了最高可达4.18%的提升，仅使用原始视频输入，避免了使用双流框架或增强模块进行推理。我们进一步通过消融实验验证了蒸馏策略的有效性。结果凸显了在暗光人类动作识别中，我们的知识蒸馏框架的优势。