面向航拍图像旋转目标检测的知识蒸馏
计算机视觉与模式识别
2022-06-22 v1
摘要
参数数量增加的深度卷积神经网络在自然图像目标检测任务中取得了更高的精度，其中感兴趣目标以水平边界框标注。在鸟瞰视角拍摄的航拍图像上，这些模型架构的改进与更深的卷积层同样可以提升旋转目标检测任务的性能。然而，那些最先进的目标检测器难以直接部署在计算资源受限的设备上，这就需要通过模型压缩来得到轻量级模型。为解决该问题，我们提出了一种基于知识蒸馏的航拍图像旋转目标检测模型压缩方法，即 KD-RNet。借助一个参数众多且训练良好的教师旋转目标检测器，KD-RNet 通过协同训练策略将所得目标类别与位置信息一并迁移至紧凑的学生网络。类别信息的迁移通过预测概率分布上的知识蒸馏实现，而位置信息迁移中的位移则采用软回归损失来处理。在大规模航拍目标检测数据集 (DOTA) 上的实验结果表明，所提出的 KD-RNet 模型在减少参数量的同时获得了更高的平均精度均值 (mAP)，并且 KD-RNet 提升了与真实标注重叠度更高的高质量检测框的产出性能。
引用
@article{arxiv.2206.09796,
title = {Knowledge Distillation for Oriented Object Detection on Aerial Images},
author = {Yicheng Xiao and Junpeng Zhang},
journal= {arXiv preprint arXiv:2206.09796},
year = {2022}
}