CN115100238A - 基于知识蒸馏的轻量化单目标跟踪器训练方法 - Google Patents
基于知识蒸馏的轻量化单目标跟踪器训练方法 Download PDFInfo
- Publication number
- CN115100238A CN115100238A CN202210570157.2A CN202210570157A CN115100238A CN 115100238 A CN115100238 A CN 115100238A CN 202210570157 A CN202210570157 A CN 202210570157A CN 115100238 A CN115100238 A CN 115100238A
- Authority
- CN
- China
- Prior art keywords
- tracker
- student
- knowledge
- teacher
- loss
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于知识蒸馏的轻量化目标跟踪器训练方法,提出了简单高效的知识蒸馏框架,将高性能的大型目标跟踪器的知识高效地传递给轻量化的小型目标跟踪器,有效提升跟踪精度。轻量化目标跟踪器由学生跟踪器和教师跟踪器组成,训练包括如下步骤:向学生跟踪器传递四部分知识进行学习:真实标签的监督信息GTS,为学生跟踪器提供了来自真实标签最真实的标准答案;教师自适应有界知识TAB,表示学生跟踪器从教师跟踪器的最终输出直接获取的知识;教师注意力引导知识TAG,为学生跟踪器提供来自教师跟踪器对输入图像的空间注意力及通道注意力的引导;学生相互学习知识SML,旨在让多个学生之间相互学习和指导,以达到共同进步的目的。
Description
技术领域
本发明属于深度学习技术在计算机视觉领域的应用,适用于计算机视觉应用在边端设备的部署,可广泛应用于视频监控、人机交互、智能驾驶等领域,更具体地说为基于知识蒸馏的轻量化单目标跟踪器训练方法。
背景技术
目标跟踪技术作为计算机视觉的一个重要研究方向,近年来受到学者们的广泛关注。在深度学习的潮流下,基于孪生神经网络的目标跟踪方法脱颖而出,显著提高了实时跟踪器的最新水平。孪生跟踪器能够有效的根源在于,孪生网络的度量学习能力恰好适配目标跟踪对视频前后帧匹配相似目标的任务需求。早期的工作SiamFC提供了一个简单有效的模型框架,能够以86FPS的实时速度,取得在当时不错的跟踪精度。随后,许多追求更高精度的孪生跟踪器涌现,目标跟踪领域得到长足发展。然而随之而来的是巨大的模型尺寸和高昂的计算成本。代表性的SiamRPN++为了实现最卓越的性能,使用53.9M的参数量和48.9GFLOPs的计算量。这样的存储成本和计算代价严重限制了先进的目标跟踪器在具有内存及算力限制的移动端设备中部署及应用。因此,如何在保证跟踪器性能的前提下实现跟踪模型的压缩与提速成为目标跟踪领域跨越学术研究与工业落地之间鸿沟的决定性因素。
知识蒸馏是一种常用且有效的模型压缩方法,它通过让轻量化的小型学生网络模仿高性能的大型教师网络,以表现出相近或更高的精度。现有的知识蒸馏方法大都基于图像分类任务所设计,而将其应用到目标跟踪领域尚有以下挑战:
(1)目标跟踪任务的场景更加复杂多变,富含丰富的挑战,教师跟踪器也无法在任何场景都保持鲁棒性,它的判别失误可能会引导学生跟踪器至错误的方向,学生跟踪器如何辨别出这种情况是提高精度的一个重要因素。
(2)在孪生目标跟踪的框架中,511*511大小的搜索区域只有不到20%的部分是前景(目标区域),小型孪生网络特征提取能力不足的问题被放大了,这是造成精度下降的罪魁祸首。
(3)孪生跟踪器的架构相对复杂,包括模板帧和搜索帧,分别提取到模板特征和搜索特征后又会各自分流为分类分支和回归分支。因此针对孪生跟踪器所设计的知识蒸馏框架必须足够精细,才能严格契合孪生跟踪器的架构。
综上所述,目前缺少一种能够高效、轻量化、且跟踪精度较高的单目标跟踪器。
发明内容
有鉴于此,本发明提供了基于知识蒸馏的轻量化目标跟踪器训练方法,提出了一种简单高效的知识蒸馏框架,将高性能的大型目标跟踪器的知识高效地传递给轻量化的小型目标跟踪器,能够在不引入额外参数和推理运算量的情况下有效提升小模型的跟踪精度。
为达到上述目的,本发明的技术方案为:基于知识蒸馏的轻量化目标跟踪器训练方法,轻量化目标跟踪器由学生跟踪器和教师跟踪器组成,针对该轻量化目标跟踪器的训练包括如下步骤:
向学生跟踪器传递四部分知识进行学习:真实标签的监督信息GTS、教师自适应有界知识TAB、教师注意力引导知识TAG、学生相互学习知识SML。
真实标签的监督信息GTS,为学生跟踪器提供了来自真实标签最真实的标准答案。
教师自适应有界知识TAB,表示学生跟踪器从教师跟踪器的最终输出直接获取的知识。
教师注意力引导知识TAG,为学生跟踪器提供来自教师跟踪器对输入图像的空间注意力及通道注意力的引导。
学生相互学习知识SML,旨在让多个学生之间相互学习和指导,以达到共同进步的目的。
进一步地,真实标签的监督信息GTS,其转移的具体过程如下,
利用锚框与目标包围矩形框间的交并比信息,可以获取对应点标签信息,获得分类分支的真实标签信息GTcls和回归分支的真实标签信息GTreg;接着,将CS和RS分别表示学生跟踪器的分类输出和回归输出,于是GTS的损失表达式为:
进一步地,教师自适应有界知识TAB,其转移的具体过程如下,
将自适应边界设置为学生跟踪器和教师跟踪器与真实标签值的损失之差;
分类边界从教师跟踪器和学生跟踪器的分类分支输出层提取,其定义为:
回归边界从教师跟踪器和学生跟踪器的回归分支输出层提取,其定义为:
对于分类分支,只有在分类边界值小于预设阈值的情况下,TAB才为学生跟踪器提供来自教师跟踪器分类分支输出层的软化损失;当分类边界值超过预设阈值,TAB则停止为学生跟踪器提供损失;对于回归分支,只有在分类边界值和回归边界值均小于预设阈值的情况下,TAB才为学生跟踪器提供来自教师跟踪器回归分支输出层的软化损失;两边界值只要有其一超过预设阈值,TAB则停止为学生跟踪器提供损失。
优选地,分类分支的TAB转移损失定义为:
其中,KL表示KL散度损失,t为温度参数,表示将原先分类概率软化以提取暗知识thcls为分类边界值的预设阈值;;
回归分支的TAB转移损失定义为:
进一步地,整体的TAB转移损失定义为:
其中λ为权重值。
进一步地,教师注意力引导知识TAG,其转移的具体过程如下,
其中C为特征层通道数,H为特征层的高,W为特征层的宽;Fi,*,*为第i个通道的特征层;
其中F*,j,k为高度为j宽度为k的特征层。
进一步地,对于搜索分支x,TAG的优化目标为减小学生跟踪器和教师跟踪器间模板分支骨干特征的通道注意力和空间注意力损失,损失定义如下:
对于模板分支z,TAG的优化目标为减小学生跟踪器和教师跟踪器间搜索分支骨干特征的通道注意力和空间注意力损失,损失定义如下:
8.根据权利要求7基于知识蒸馏的轻量化目标跟踪器训练方法,其特征在于,整体的TAG转移损失定义为:
优选地,学生相互学习知识SML,其转移的具体过程如下,
优选地,对于学生跟踪器S1来说,整个知识蒸馏框架的总损失可以定义为:
对于学生跟踪器S2来说,整个知识蒸馏框架的总损失可以定义为:
其中,α,β,γ为可调的关于每种知识重要性权重的超参数。
有益效果:
1、本发明提出了基于知识蒸馏的轻量化目标跟踪器训练方法,针对通用的知识蒸馏框架,通过向学生跟踪器传递四部分知识以得到高效的轻量化目标跟踪器:真实标签的监督信息GTS、教师自适应有界知识TAB、教师注意力引导知识TAG、学生相互学习知识SML。能够让先进的孪生跟踪器在不损失精度的前提下大幅压缩模型尺寸,提高跟踪速率,得到轻量化且高效的跟踪器;
2、本发明提供的基于知识蒸馏的轻量化目标跟踪器训练方法,所提出的知识蒸馏框架是结合孪生跟踪器的架构精密设计的,设计的知识蒸馏框架仅用于孪生跟踪器的训练阶段,因此在跟踪阶段不会造成任何额外的计算和存储负担。此外,本实施例中的知识蒸馏策略全部都是基于特征和响应的,因此它适用于所有孪生跟踪器,并不拘泥于某种固定结构。本发明的基于知识蒸馏的轻量化单目标跟踪器是由上面训练方法训练得到的,可以在视频序列或实际场景中进行跟踪。
3、本发明提供的基于知识蒸馏的轻量化目标跟踪器训练方法,通过引入教师自适应有界知识TAB,学生跟踪器获得了鉴别能力,能够对来自教师跟踪器的知识自适应地过滤;通过引入教师注意力引导知识TAG,学生跟踪器模仿教师跟踪器对输入图像的注意力,能够进一步理解教师跟踪器的思考过程,加快模型收敛速度。
4、本发明提供的基于知识蒸馏的轻量化目标跟踪器训练方法,通过引入学生相互学习知识SML,学生跟踪器之间相互学习和指导,进一步提高彼此精度。
5、本发明提供的基于知识蒸馏的轻量化目标跟踪器训练方法,学生跟踪器相比教师跟踪器有近9倍的模型压缩率以及10倍的计算代价减少,与此同时,它还能够获得比教师跟踪器更高的跟踪精度。
附图说明
图1为本发明实施例中的基于知识蒸馏的孪生跟踪器的总体示意图。
图2(a)为本发明实施例中的教师注意力引导TAG的示意图。
图2(b)为本发明实施例中的空间注意力映射的示意图。
图2(c)为本发明实施例中的通道注意力映射的示意图。
图3为本发明实例中的学生相互学习SML的示意图。
图4为本发明实例中的学生跟踪器在OTB100上的评估图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明提供的基于知识蒸馏的轻量化目标跟踪器训练方法,总体示意图如图1所示,通过向学生跟踪器传递四部分知识以得到高效的轻量化目标跟踪器:真实标签的监督信息GTS、教师自适应有界知识TAB、教师注意力引导知识TAG、学生相互学习知识SML。
(1)真实标签的监督信息GTS(从数据集中产生),为学生跟踪器提供了来自真实标签最真实的标准答案。由于其语义信息之深,这对脑容量较小的学生跟踪器来说有些难以理解,因此还需要通过教师跟踪器进行辅导。首先利用锚框与目标包围矩形框间的交并比信息,可以获取对应点标签信息,对于分类和回归分支分别有分类分支的真实标签信息GTcls和回归分支的标签信息GTreg。接着,将CS和RS分别表示学生跟踪器的分类输出和回归输出,于是GTS的损失表达式为:
(2)教师自适应有界知识TAB,表示学生跟踪器从教师跟踪器的最终输出直接获取的知识,它提供了来自教师跟踪器最直观的知识理解。然而教师可能会提供与真实标签完全违背的知识,通过引入一个自适应界限来尽可能规避这部分错误,使得学生能够获得更准确的辅导。
将自适应边界设置为学生跟踪器和教师跟踪器与真实标签值的损失之差。
进一步,分类边界从教师跟踪器和学生跟踪器的分类分支输出层提取,其定义为:
回归边界从教师跟踪器和学生跟踪器的回归分支输出层提取,其定义为:
再进一步,对于分类分支,只有在分类边界值小于预设阈值的情况下,TAB才为学生跟踪器提供来自教师跟踪器分类分支输出层的软化损失。当分类边界值超过预设阈值thcls,TAB则停止为学生跟踪器提供损失。分类分支的TAB转移损失定义为:
其中,KL表示KL散度损失。t为温度参数,表示将原先分类概率软化以提取暗知识。
对于回归分支,只有在分类边界值和回归边界值均小于预设阈值的情况下,TAB才为学生跟踪器提供来自教师跟踪器回归分支输出层的软化损失。两边界值只要有其一超过预设阈值,TAB则停止为学生跟踪器提供损失。回归分支的TAB转移损失定义为:
更进一步,将这两部分损失加权,就可以得到整体的TAB转移损失,定义如下:
(3)教师注意力引导知识TAG,如图2(a)所示,它能为学生跟踪器提供来自教师跟踪器对输入图像的空间注意力及通道注意力的引导,使得学生跟踪器更进一步理解教师的思考过程,将学习兴趣集中在正确的方向上。
进一步,对于搜索分支x,TAG的优化目标为减小学生跟踪器和教师跟踪器间模板分支骨干特征的通道注意力和空间注意力损失,损失定义如下:
对于模板分支z,TAG的优化目标为减小学生跟踪器和教师跟踪器间搜索分支骨干特征的通道注意力和空间注意力损失,损失定义如下:
更进一步,将这两部分损失相加,就可以得到整体的TAG转移损失,定义如下:
(4)学生相互学习知识SML,旨在让多个学生之间相互学习和指导,以达到共同进步的目的。如图3所示,选择两个轻量化的学生跟踪器S1和S2,对S1来说,提取S2的分类结果和回归结果进行知识转移,损失函数定义为:
(5)知识汇总。对于学生跟踪器S1来说,整个知识蒸馏框架的总损失可以定义为:
对于学生跟踪器S2来说,整个知识蒸馏框架的总损失可以定义为:
其中,α,β,γ为可调的关于每种知识重要性权重的超参数。
需要强调的是,我们设计的知识蒸馏框架仅用于孪生跟踪器的训练阶段,因此在跟踪阶段不会造成任何额外的计算和存储负担。此外,本实施例中的知识蒸馏策略全部都是基于特征和响应的,因此它适用于所有孪生跟踪器,并不拘泥于某种固定结构。本发明的基于知识蒸馏的轻量化单目标跟踪器是由上面训练方法训练得到的,可以在视频序列或实际场景中进行跟踪。
本发明的轻量化目标跟踪器相较于原教师跟踪器有近9倍的模型压缩率以及10倍的计算代价减少,并能够以66FPS的超实时速度运行在CPU上。与此同时,它能够获得与教师模型相近甚至更高的跟踪精度。为了对比的统一性,所有的实验均是在一台拥有IntelXeon 5218R CPU以及4张RTX 3090显卡的服务器下的python3.8,pytorch1.10.1和cuda11.3环境运行的。具体实验如下。
本实施例以大小为64的批处理大小在四块GPU上分布式训练50轮。两个学生跟踪器选取的骨干网络为Alexnet和Mobilenet-v2,均是在ImageNet数据集上预训练过的,并且这部分参数会在蒸馏训练的前十轮被冻结。在训练过程中,经过前五轮的热身,学习率会从1e-3逐步提升至5e-3,在剩余训练回合又指数衰减至5e-4。另外,0.9的动量被设置为0.9,权重衰减被设置为1e-4。一些训练过程的参数设定为:回归分支权重λ=1.2,TAB中的阈值参数thcls=threg=0.01,温度参数t=10,知识汇总各部分权重参数为α=β=γ=1。
图4为本实施例训练得到的轻量化目标跟踪器在OTB100上的评估结果。我们的跟踪器Ours(M)和Ours(A)对比蒸馏前(SiamRPN++(M)和SiamRPN++(A))均有显著的性能提升。并且Ours(M)在成功率图和精确度图上均超过了教师跟踪器(SiamRPN++(R))。
表1为本实施例训练得到的轻量化目标跟踪器在VOT2018上的评估结果。根据表1的对比,本实施例的跟踪器在保证高精度的同时还保证了实时性(>20fps on CPU)。
表1 VOT2018评估结果
表2中对比了蒸馏前后跟踪器的计算量和存储成本。本实施例中的跟踪器Ours(M)和Ours(A)相较于蒸馏之前的SiamRPN++(R)分别有5和9倍的模型压缩率,使用了7和10倍少的计算量,并且实时运行帧率提高至4和11倍。
表2蒸馏前后跟踪器计算量和存储成本对比
综上,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.基于知识蒸馏的轻量化目标跟踪器训练方法,其特征在于,所述轻量化目标跟踪器由学生跟踪器和教师跟踪器组成,针对该轻量化目标跟踪器的训练包括如下步骤:
向学生跟踪器传递四部分知识进行学习:真实标签的监督信息GTS、教师自适应有界知识TAB、教师注意力引导知识TAG、学生相互学习知识SML;
所述的真实标签的监督信息GTS,为学生跟踪器提供了来自真实标签最真实的标准答案;
所述的教师自适应有界知识TAB,表示学生跟踪器从教师跟踪器的最终输出直接获取的知识;
所述的教师注意力引导知识TAG,为学生跟踪器提供来自教师跟踪器对输入图像的空间注意力及通道注意力的引导;
所述的学生相互学习知识SML,旨在让多个学生之间相互学习和指导,以达到共同进步的目的。
3.根据权利要求1或2所述的基于知识蒸馏的轻量化目标跟踪器训练方法,其特征在于,所述的教师自适应有界知识TAB,其转移的具体过程如下,
将自适应边界设置为学生跟踪器和教师跟踪器与真实标签值的损失之差;
分类边界从教师跟踪器和学生跟踪器的分类分支输出层提取,其定义为:
回归边界从教师跟踪器和学生跟踪器的回归分支输出层提取,其定义为:
对于分类分支,只有在分类边界值小于预设阈值的情况下,TAB才为学生跟踪器提供来自教师跟踪器分类分支输出层的软化损失;当分类边界值超过预设阈值,TAB则停止为学生跟踪器提供损失;对于回归分支,只有在分类边界值和回归边界值均小于预设阈值的情况下,TAB才为学生跟踪器提供来自教师跟踪器回归分支输出层的软化损失;两边界值只要有其一超过预设阈值,TAB则停止为学生跟踪器提供损失。
9.根据权利要求1所述的基于知识蒸馏的轻量化目标跟踪器训练方法,其特征在于,所述的学生相互学习知识SML,其转移的具体过程如下,
对于学生跟踪器S1来说,整个知识蒸馏框架的总损失可以定义为:
对于学生跟踪器S2来说,整个知识蒸馏框架的总损失可以定义为:
其中,α,β,γ为可调的关于每种知识重要性权重的超参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210570157.2A CN115100238A (zh) | 2022-05-24 | 2022-05-24 | 基于知识蒸馏的轻量化单目标跟踪器训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210570157.2A CN115100238A (zh) | 2022-05-24 | 2022-05-24 | 基于知识蒸馏的轻量化单目标跟踪器训练方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115100238A true CN115100238A (zh) | 2022-09-23 |
Family
ID=83288285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210570157.2A Pending CN115100238A (zh) | 2022-05-24 | 2022-05-24 | 基于知识蒸馏的轻量化单目标跟踪器训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115100238A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115439510A (zh) * | 2022-11-08 | 2022-12-06 | 山东大学 | 一种基于专家策略指导的主动目标跟踪方法及系统 |
CN115797794A (zh) * | 2023-01-17 | 2023-03-14 | 南京理工大学 | 基于知识蒸馏的卫星视频多目标跟踪方法 |
CN116206275A (zh) * | 2023-02-23 | 2023-06-02 | 南通探维光电科技有限公司 | 基于知识蒸馏的识别模型训练方法及装置 |
CN116612379A (zh) * | 2023-05-30 | 2023-08-18 | 中国海洋大学 | 一种基于多知识蒸馏的水下目标检测方法及系统 |
CN116823891A (zh) * | 2023-08-28 | 2023-09-29 | 江南大学 | 基于注意力和知识蒸馏的孪生高光谱图像跟踪方法和系统 |
-
2022
- 2022-05-24 CN CN202210570157.2A patent/CN115100238A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115439510A (zh) * | 2022-11-08 | 2022-12-06 | 山东大学 | 一种基于专家策略指导的主动目标跟踪方法及系统 |
CN115439510B (zh) * | 2022-11-08 | 2023-02-28 | 山东大学 | 一种基于专家策略指导的主动目标跟踪方法及系统 |
CN115797794A (zh) * | 2023-01-17 | 2023-03-14 | 南京理工大学 | 基于知识蒸馏的卫星视频多目标跟踪方法 |
CN116206275A (zh) * | 2023-02-23 | 2023-06-02 | 南通探维光电科技有限公司 | 基于知识蒸馏的识别模型训练方法及装置 |
CN116206275B (zh) * | 2023-02-23 | 2024-03-01 | 南通探维光电科技有限公司 | 基于知识蒸馏的识别模型训练方法及装置 |
CN116612379A (zh) * | 2023-05-30 | 2023-08-18 | 中国海洋大学 | 一种基于多知识蒸馏的水下目标检测方法及系统 |
CN116612379B (zh) * | 2023-05-30 | 2024-02-02 | 中国海洋大学 | 一种基于多知识蒸馏的水下目标检测方法及系统 |
CN116823891A (zh) * | 2023-08-28 | 2023-09-29 | 江南大学 | 基于注意力和知识蒸馏的孪生高光谱图像跟踪方法和系统 |
CN116823891B (zh) * | 2023-08-28 | 2023-11-17 | 江南大学 | 基于注意力和知识蒸馏的孪生高光谱图像跟踪方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115100238A (zh) | 基于知识蒸馏的轻量化单目标跟踪器训练方法 | |
CN111062951B (zh) | 一种基于语义分割类内特征差异性的知识蒸馏方法 | |
CN110210551B (zh) | 一种基于自适应主体敏感的视觉目标跟踪方法 | |
CN110298404B (zh) | 一种基于三重孪生哈希网络学习的目标跟踪方法 | |
CN113158862B (zh) | 一种基于多任务的轻量级实时人脸检测方法 | |
Kim et al. | Fast pedestrian detection in surveillance video based on soft target training of shallow random forest | |
US20210056357A1 (en) | Systems and methods for implementing flexible, input-adaptive deep learning neural networks | |
CN112330718B (zh) | 一种基于cnn的三级信息融合视觉目标跟踪方法 | |
Zhai et al. | Group-split attention network for crowd counting | |
CN117689731B (zh) | 一种基于改进YOLOv5模型的轻量化新能源重卡电池包识别方法 | |
Sun et al. | YOLO-P: An efficient method for pear fast detection in complex orchard picking environment | |
CN114708270B (zh) | 基于知识聚合与解耦蒸馏的压缩方法在语义分割中的应用 | |
Lv et al. | An inverted residual based lightweight network for object detection in sweeping robots | |
Gao et al. | Autonomous driving based on modified sac algorithm through imitation learning pretraining | |
CN104331717B (zh) | 一种整合特征字典结构与视觉特征编码的图像分类方法 | |
CN117576149A (zh) | 一种基于注意力机制的单目标跟踪方法 | |
CN115049786B (zh) | 任务导向的点云数据下采样方法及系统 | |
CN116206082A (zh) | 一种语义场景补全方法、系统、设备及存储介质 | |
CN111881794B (zh) | 一种视频行为识别方法及系统 | |
CN114647752A (zh) | 基于双向可切分深度自注意力网络的轻量化视觉问答方法 | |
Murata et al. | Segmentation of Cell Membrane and Nucleus using Branches with Different Roles in Deep Neural Network. | |
Sun et al. | Distilling Siamese Trackers with Attention Mask | |
Ge et al. | Video question answering using a forget memory network | |
CN117557857B (zh) | 结合渐进式引导蒸馏和结构重构的检测网络轻量化方法 | |
Li et al. | Proper Reuse of Features Extractor for Real-time Continual Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |