KD-SCFNet：通过知识蒸馏实现更精确高效显著目标检测
计算机视觉与模式识别
2022-11-22 v6
摘要
现有多数显著目标检测（SOD）模型因结构复杂庞大而难以应用。尽管已有一些轻量模型被提出，其精度却难以令人满意。本文设计了一种新颖的语义引导上下文融合网络（SCFNet），专注于多级特征的交互融合，以实现精确高效的显著目标检测。此外，我们将知识蒸馏应用于SOD任务，并提供了规模可观的数据集KD-SOD80K。具体而言，我们通过无标签图像将成熟教师模型中的丰富知识迁移至未训练的SCFNet，使其学习到更强的泛化能力以更准确地检测显著目标。基于知识蒸馏的SCFNet（KDSCFNet）以少于1M参数和174 FPS的实时检测速度，取得了与最先进（SOTA）重量级方法相当的精度。大量实验证明了所提蒸馏方法与SOD框架的鲁棒性与有效性。代码与数据：https://github.com/zhangjinCV/KD-SCFNet。
引用
@article{arxiv.2208.02178,
title = {KD-SCFNet: Towards More Accurate and Efficient Salient Object Detection via Knowledge Distillation},
author = {Jin Zhang and Qiuwei Liang and Yanjiao Shi},
journal= {arXiv preprint arXiv:2208.02178},
year = {2022}
}
备注
There are some important mistakes in the article that need to be modified