CVPR 2021 | 旷视提出GID:用于目标检测的通用实例蒸馏

简介: 先前的工作[34]提出对象附近的特征区域具有相当多的信息,这对于知识的提炼是有用的。然而,我们发现,不仅对象附近的特征区域,而且甚至来自背景区域的区分斑块都具有有意义的知识。

本文提出一种用于目标检测的知识蒸馏新方法:General Instance Distillation,GID,可应用于各种检测框架中,使得学生模型显著提高AP的性能,甚至优于Teacher模型!


640.png


作者单位:旷视科技, 北航论文:https://arxiv.org/pdf/2103.02340.pdf


近年来,知识蒸馏已被证明是模型压缩的有效解决方案。这种方法可以使轻量级的学生模型获得从繁琐的教师模型中提取的知识。但是,以前的蒸馏检测方法对于不同的检测框架具有较弱的泛化性,并且严重依赖ground truth(GT),而忽略了实例之间的宝贵关系信息。


因此,我们提出了一种新的基于鉴别性实例的检测任务的蒸馏方法,该方法不考虑GT区分出的积极或消极,这称为通用实例蒸馏(GID)。


640.png


我们的方法包含一个通用实例选择模块(GISM),以充分利用于特征的,基于关系的和基于响应的知识进行蒸馏。


General Instance Distillation


先前的工作[34]提出对象附近的特征区域具有相当多的信息,这对于知识的提炼是有用的。然而,我们发现,不仅对象附近的特征区域,而且甚至来自背景区域的区分斑块都具有有意义的知识。基于此发现,我们设计了通用实例选择模块(GISM),如图2所示。该模块利用教师模型和学生模型的预测来选择要蒸馏的关键实例。


640.png


此外,为了更好地利用老师提供的信息,我们提取并利用了基于特征,基于关系和基于响应的知识进行蒸馏,如图3所示。实验结果表明,我们的蒸馏框架 对于当前最新的检测模型来说是通用的。


640.png


算法细节(建议去看原文):


640.jpg

640.jpg

640.jpg


实验结果


广泛的结果表明,在各种检测框架下,学生模型可显著提高AP的表现,甚至优于老师。具体来说,在Reconet上使用ResNet-50的RetinaNet在COCO数据集上具有GID的mAP达到了39.1%,比基线的36.2%超出了2.9%,甚至比具有38.1%的AP的基于ResNet-101的教师模型更好。


640.png

640.png


640.png

640.png

相关文章
|
11月前
|
人工智能 算法 前端开发
我和通义灵码的一周年
通义灵码是阿里巴巴推出的一款AI插件,大小约5.8M,适用于IDEA开发环境。它通过@workspace和@terminal两大功能,显著提升代码开发效率和质量。@workspace帮助开发者快速理解项目结构,智能导航至关键代码;@terminal则提供命令行下的代码搜索与实时补全,加速开发流程。实际应用中,通义灵码大幅缩短了新项目熟悉时间,减少了试错成本,提升了代码的规范性和稳定性。
269 0
|
数据安全/隐私保护
xshell7,xftp7个人免费版官方下载,无需破解,免激活,下载即可使用
xshell7,xftp7个人免费版官方下载,无需破解,免激活,下载即可使用
13655 0
|
10月前
|
存储 缓存 网络协议
了解 ARP 系列 – ARP、inARP、GARP 和 RARP
了解 ARP 系列 – ARP、inARP、GARP 和 RARP
735 4
|
Linux Windows
imx6ull开发板之qt应用编程读取AP3216c(光照,距离)数据。
imx6ull开发板之qt应用编程读取AP3216c(光照,距离)数据。
238 0
|
机器学习/深度学习 计算机视觉
YOLOv10实战:红外小目标实战 | 多头检测器提升小目标检测精度
本文改进: 在进行目标检测时,小目标会出现漏检或检测效果不佳等问题。YOLOv10有3个检测头,能够多尺度对目标进行检测,但对微小目标检测可能存在检测能力不佳的现象,因此添加一个微小物体的检测头,能够大量涨点,map提升明显; 多头检测器提升小目标检测精度,1)mAP50从0.666提升至0.677
1686 3
|
机器学习/深度学习 异构计算
【保姆级教程|YOLOv8改进】【5】精度与速度双提升,使用FasterNet替换主干网络
【保姆级教程|YOLOv8改进】【5】精度与速度双提升,使用FasterNet替换主干网络
|
C语言
C语言取整方法详解
C语言取整方法详解
2415 0
|
PyTorch Go 算法框架/工具
YOLOv8来啦 | 详细解读YOLOv8的改进模块!YOLOv5官方出品YOLOv8,必卷!
YOLOv8来啦 | 详细解读YOLOv8的改进模块!YOLOv5官方出品YOLOv8,必卷!
3206 0
|
Java 关系型数据库 数据库连接
太难了!面试官让我结合案例讲讲自己对Spring事务传播行为的理解
Spring 在 TransactionDefinition 接口中规定了 7 种类型的事务传播行为。事务传播行为是 Spring 框架独有的事务增强特性,他不属于的事务实际提供方数据库行为。这是 Spring 为我们提供的强大的工具箱,使用事务传播行可以为我们的开发工作提供许多便利。但是人们对他的误解也颇多,你一定也听过“service 方法事务最好不要嵌套”的传言。要想正确的使用工具首先需要了解工具。本文对七种事务传播行为做详细介绍,内容主要代码示例的方式呈现。
|
机器学习/深度学习 数据采集 并行计算
[Paddle Detection]基于PP-YOLOE+实现道路场景目标检测及部署
该项目着眼于基于视觉深度学习的自动驾驶场景,旨在对车载摄像头采集的视频数据进行道路场景解析,为自动驾驶提供一种解决思路。利用YOLO系列模型PP_YOLOE+完成车辆检测实现一种高效高精度的道路场景解析方式,从而实现真正意义上的自动驾驶,减少交通事故的发生,保障车主的人身安全。数据集地址视频数据: 超过1,100小时的100000个高清视频序列在一天中许多不同的时间,天气条件,和驾驶场景驾驶经验。视频序列还包括GPS位置、IMU数据和时间戳。道路目标检测。
1440 1
[Paddle Detection]基于PP-YOLOE+实现道路场景目标检测及部署