利用特权信息提升目标检测：一种模型无关的教师-学生方法

本文探讨了将学习使用特权信息（LUPI）范式集成到目标检测中，以利用在训练期间但在推断时不可用的细粒度描述性信息。我们引入一种通用、模型无关的方法，通过教师-学生体系结构将特权信息（如边界框掩码、注意力图和深度线索）注入深度学习基于目标检测器中。实验在五种最先进的目标检测模型和多个公共基准（包括无人机基于 litter 检测数据集和Pascal VOC 2012）上进行，以评估其对准确率、泛化能力和计算效率的影响。我们的结果表明，LUPI训练的学生始终优于其基线对应物，在检测准确率方面实现显著提升，同时未增加推断复杂度或模型大小。准确率的改进在中等和大型目标上尤为显著，而消融研究揭示，中间加权的教师指导最佳地平衡了从特权输入和标准输入方面的学习。这些发现确认，LUPI框架为在资源受限和现实世界环境中推进目标检测系统提供了有效且实用的策略。