用于 RGB-D 显著性目标检测的动态知识蒸馏与噪声消除
计算机视觉与模式识别
2022-06-03 v3
摘要
RGB-D 显著性目标检测 (SOD) 由于在数据中引入了额外的深度信息，在复杂环境检测中展现出优越性。不可避免地，引入了一条独立流来从深度图像中提取特征，导致额外的计算和参数。这种方法以模型大小为代价来提高检测精度，可能阻碍 SOD 问题的实际应用。为应对这一困境，我们提出了一种动态蒸馏方法及轻量结构，在保持有效性的同时显著减少计算负担。该方法考虑训练阶段中教师和学生性能的因素，并动态分配蒸馏权重，而非对学生模型施加固定权重。我们还研究了蒸馏中 RGB-D 早期融合策略的问题，并提出一种简单的噪声消除方法来减轻由低质量深度图引起的失真训练数据的影响。在五个公开数据集上进行了大量实验，表明与 10 种先前方法相比，我们的方法能以快速推理速度 (136FPS) 取得有竞争力的性能。
引用
@article{arxiv.2106.09517,
title = {Dynamic Knowledge Distillation With Noise Elimination for RGB-D Salient Object Detection},
author = {Guangyu Ren and Yinxiao Yu and Hengyan Liu and Tania Stathaki},
journal= {arXiv preprint arXiv:2106.09517},
year = {2022}
}