基于遮挡增强蒸馏的苹果目标检测

在自然环境中生长的苹果常常面临来自树叶和树枝的严重视觉遮挡。这显著增加了目标检测任务中的误检风险，从而大大增加了挑战。为此，我们引入了一种称为“遮挡增强蒸馏”（OED）的技术。该方法利用遮挡信息对遮挡数据集上语义对齐特征的学习进行正则化，并采用指数移动平均（EMA）来增强训练稳定性。具体而言，我们首先设计了一个遮挡增强数据集，将整合 Grounding DINO 和 SAM 方法提取的遮挡元素（如树叶和树枝）整合到每个样本中，创建反映水果自然生长状态的遮挡示例。此外，我们提出了一种多尺度知识蒸馏策略，其中学生网络使用增加遮挡的图像作为输入，而教师网络则使用无自然遮挡的图像。通过这种设置，该策略引导学生网络在语义和局部特征对齐的尺度上从教师网络学习，有效缩小遮挡目标与非遮挡目标之间的特征距离，从而增强目标检测的鲁棒性。最后，为了提高学生网络的稳定性，我们引入了 EMA 策略，有助于学生网络学习更具普适性的特征表达，减轻单个图像遮挡噪声的影响。我们的 method 在大量对比实验中显著优于当前的领先技术。