推进农场监控的领域自适应微调蒸馏框架
计算机视觉与模式识别
2024-02-13 v1
摘要
在本研究中，我们提出了一个用于骆驼农场监控的自动化框架，引入了两个关键贡献：统一自动标注框架和微调蒸馏框架。统一自动标注方法结合了两个模型，GroundingDINO (GD) 和 Segment-Anything-Model (SAM)，以自动标注从监控视频中提取的原始数据集。在此基础之上，微调蒸馏框架使用自动标注的数据集对学生模型进行微调。此过程涉及将知识从大型教师模型转移到学生模型，类似于知识蒸馏的一种变体。微调蒸馏框架旨在适应特定的使用场景，实现从大型模型到小型模型的知识转移，使其适合特定领域的应用。通过利用我们从阿联酋迪拜 Al-Marmoom 骆驼农场收集的原始数据集和预训练的教师模型 GroundingDINO，微调蒸馏框架生成了一个轻量级可部署模型 YOLOv8。该框架展现出高性能和计算效率，促进了高效的实时目标检测。我们的代码可在 \href{https://github.com/Razaimam45/Fine-Tune-Distillation}{https://github.com/Razaimam45/Fine-Tune-Distillation} 获取
引用
@article{arxiv.2402.07059,
title = {Domain Adaptable Fine-Tune Distillation Framework For Advancing Farm Surveillance},
author = {Raza Imam and Muhammad Huzaifa and Nabil Mansour and Shaher Bano Mirza and Fouad Lamghari},
journal= {arXiv preprint arXiv:2402.07059},
year = {2024}
}