SEA：通过语义感知对齐弥合一阶段与二阶段检测器蒸馏之间的差距
计算机视觉与模式识别
2022-03-03 v1
摘要
我们重新审视了一阶段和二阶段检测器蒸馏任务，并提出一个简单高效的语义感知框架来弥合它们之间的差距。我们通过设计类别锚点来为每个类别生成一个代表性模式，并正则化像素与类别锚点之间的拓扑距离以进一步收紧它们的语义联系，从而解决像素级不平衡问题。鉴于该方法通过语义依赖抽象密集的细粒度信息以有效促进蒸馏效能的本质，我们将我们的方法命名为 SEA（语义感知对齐）蒸馏。SEA 能很好地适应任一检测流程，并在具有挑战性的 COCO 目标检测任务上，在一阶段和二阶段检测器上均取得了新的最先进结果。其在实例分割上的优越性能进一步证明了其泛化能力。使用 ResNet50-FPN 的 2 倍蒸馏 RetinaNet 和 FCOS 均优于其对应的 3 倍 ResNet101-FPN 教师网络，分别达到了 40.64 和 43.06 的 AP。代码将公开。
引用
@article{arxiv.2203.00862,
title = {SEA: Bridging the Gap Between One- and Two-stage Detector Distillation via SEmantic-aware Alignment},
author = {Yixin Chen and Zhuotao Tian and Pengguang Chen and Shu Liu and Jiaya Jia},
journal= {arXiv preprint arXiv:2203.00862},
year = {2022}
}
备注
Preprint Version