利用师生学习改进快速分割
计算机视觉与模式识别
2018-10-22 v1
摘要
近来，分割神经网络在公开基准上展现出非常有前景的精度，从而得到了显著改进。然而，这些模型非常庞大，通常存在推理速度低的问题，这限制了它们在实际中的应用场景。同时，现有的快速分割模型通常在公开基准上无法获得令人满意的分割精度。本文提出一种师生学习框架，将庞大且性能更优的分割网络（即教师）所获得的知识迁移以指导快速分割网络（即学生）的学习。具体而言，在精细标注图像与无标签辅助数据中刻画的零阶与一阶知识均被迁移以正则化我们的学生学习。所提方法能够改进现有的快速分割模型而不引入额外的计算开销，因此仍能以同样快的速度处理图像。在 Pascal Context、Cityscape 和 VOC 2012 数据集上的大量实验表明，所提师生学习框架能够显著提升学生网络的性能。
引用
@article{arxiv.1810.08476,
title = {Improving Fast Segmentation With Teacher-student Learning},
author = {Jiafeng Xie and Bing Shuai and Jian-Fang Hu and Jingyang Lin and Wei-Shi Zheng},
journal= {arXiv preprint arXiv:1810.08476},
year = {2018}
}
备注
13 pages, 3 figures, conference