面向单阶段目标检测的GAN知识蒸馏
计算机视觉与模式识别
2019-07-05 v4
摘要
卷积神经网络在目标检测精度上取得了显著提升。随着卷积神经网络加深，检测精度也明显提高，但需要更多的浮点运算。许多研究者采用知识蒸馏方法，通过将知识从更深更大的教师网络迁移到小型学生网络，以提升目标检测中学生网络的精度。大多数知识蒸馏方法需要设计复杂的代价函数，且针对两阶段目标检测算法。本文提出一种简洁有效的面向单阶段目标检测的知识蒸馏方法。将教师网络与学生网络生成的特征图分别作为真实样本与伪造样本，并对二者进行生成对抗训练，以提升学生网络在单阶段目标检测中的性能。
引用
@article{arxiv.1906.08467,
title = {GAN-Knowledge Distillation for one-stage Object Detection},
author = {Wei Hong and Jin ke Yu Fan Zong},
journal= {arXiv preprint arXiv:1906.08467},
year = {2019}
}