暗排序倒数：通过师生知识迁移提升图卷积自定位网络
计算机视觉与模式识别
2020-11-03 v1 机器人学
摘要
在视觉机器人自定位中，基于图的场景表示与匹配作为鲁棒且具判别力的自定位方法，近来引起了研究兴趣。尽管有效，其计算与存储成本在大规模环境中难以良好扩展。为缓解该问题，我们将自定位表述为图分类问题，并尝试使用图卷积神经网络（GCN）作为图分类引擎。一种直接的方法是使用最先进自定位系统所采用的视觉特征描述子，直接作为图节点特征。然而，它们在原自定位系统中的优越性能未必能在基于GCN的自定位中复现。为解决此问题，我们提出了一种基于排序匹配的师生知识迁移新方案，其中由现成的最先进教师自定位模型输出的倒数排序向量被用作待迁移的暗知识（dark knowledge）。实验表明，所提出的图卷积自定位网络可显著优于最先进的自定位系统以及教师分类器。
引用
@article{arxiv.2011.00402,
title = {Dark Reciprocal-Rank: Boosting Graph-Convolutional Self-Localization Network via Teacher-to-student Knowledge Transfer},
author = {Koji Takeda and Kanji Tanaka},
journal= {arXiv preprint arXiv:2011.00402},
year = {2020}
}
备注
5 pages, 6 figures