.png){kind=icon}
返回
Instance-Aware Distillation for Efficient Object Detection in Remote Sensing Images
.png){kind=icon}
PRE
AI
DOI：10.1109/TGRS.2023.3238801.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
实际应用需要以低开销实现高性能的对象检测模型。在这种情况下，通过将知识从繁琐的教师模型转移到轻量级的学生模型，知识蒸馏显示出了良好的潜力。但是，以前的蒸馏方法受到遥感图像中大量误导性背景信息的困扰，并且忽略了调查不同实例之间的关系。在本文中，我们提出了一种实例感知蒸馏 (简称InsDist) 方法来推导高效的遥感对象检测器。我们的InsDist结合了基于特征和基于关系的知识蒸馏，以在从老师到学生的知识转移中充分利用与实例相关的信息。一方面，我们提出了一个无参数掩蔽模块，用于在多尺度特征中将实例相关的前景与实例无关的背景解耦。另一方面，我们构建了不同实例之间的关系，以增强类内紧致性和类间分散性的学习。学生全面模仿老师的特征和关系，在处理复杂的遥感图像方面产生了相当大的效率。此外，我们的InsDist可以很容易地构建在主流物体探测器上，而额外成本可以忽略不计。在两个大规模遥感目标检测数据集上的广泛实验，即DIOR和DOTA，表明我们的InsDist获得了比其他蒸馏方法更多的收益，无论是一阶段还是两阶段，以及基于锚点和无锚的检测器。源代码将在 https://github.com/swift1988/InsDist上公开提供
Keyword:
Remote sensing
Object detection
Detectors
Feature extraction
Task analysis
Behavioral sciences
Sensors
Knowledge distillation
object detection
remote sensing images
期刊
IF:
8.6
论文数:
2.1W
被引数:
10.7W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
Conductivity Enhancement in Thin Silicon-on-Insulator Layer Embedding Artificial Dislocation Network
PREAI
分享收藏分享收藏
查看更多内容