TSCM：基于跨度量知识蒸馏的师生模型视觉地点识别
计算机视觉与模式识别
2025-01-14 v3
摘要
视觉地点识别（VPR）在复杂户外环境中移动机器人的自主探索和导航中起着关键作用。相机传感器虽然成本低廉且易于部署，但对光照和天气变化敏感，即使微小的图像变化也会严重影响VPR的效率和精度。现有方法通过利用强大但庞大的网络来克服这一问题，导致计算资源的大量消耗。本文提出了一种名为TSCM的高性能教师与轻量学生蒸馏框架。该框架利用我们设计的跨度量知识蒸馏来缩小教师模型与学生模型之间的性能差距，在部署时保持卓越性能的同时实现最小计算负载。我们在大规模数据集Pittsburgh30k和Pittsburgh250k上进行了全面评估。实验结果表明，我们的方法在识别精度和模型参数效率方面均优于基线模型。此外，我们的消融研究表明，所提出的知识蒸馏技术优于其他同类方法。我们的方法代码已在https://github.com/nubot-nudt/TSCM开源。
引用
@article{arxiv.2404.01587,
title = {TSCM: A Teacher-Student Model for Vision Place Recognition Using Cross-Metric Knowledge Distillation},
author = {Yehui Shen and Mingmin Liu and Huimin Lu and Xieyuanli Chen},
journal= {arXiv preprint arXiv:2404.01587},
year = {2025}
}
备注
Accepted by ICRA 2024