3、本文方法
3.1、概述
从定义基于特征的蒸馏损失的一般形式开始。出于这项工作的目的，将检测器分为3个部分：
- Backbone：用于提取特征
- Neck：用于融合不同尺度的特征（通常为FPN）
- Head：用于生成回归和分类分数
对于基于特征的KD，在Neck的输出处分别从教师和学生中选择中间特征和。T和S之间基于特征的蒸馏损失为：
其中H、W、C、分别为高度、宽度、通道数量和Neck输出数量，为第个输出刻度的元件总数。此外，将定义为将和的值映射到[0,1]的归一化函数，在本文的前提下是最小-最大重新缩放层，而是匹配和维度的可选自适应层，这里为1×1卷积层。
作者还引入了缩短符号，它表示在归一化特征上的单个特征位置，，，处的差异测量函数的选择，并包括自适应层，即。因此，使用和分别表示标准化和适应的学生和标准化教师激活，例如。
3.2、测量差异
正如所确定的，的实际标准选择是-范数。＝惩罚较大的误差，但对较小的误差更能容忍。另一方面，不会过度惩罚较大的误差，但较小的误差会受到更严厉的惩罚。一般形式的-范数由下式给出：
显然，这样的函数不能捕捉特征之间的空间关系。为了捕获二阶信息，需要涉及至少两个特征位置，因此将问题陈述从逐点比较改为局部patch-wise比较。对于每个这样的patch，提取了3个基本属性：平均值、方差和互相关，它们捕捉了和之间的关系。
作者遵循SSIM，并使用大小为11×11和的高斯加权计算这些量。所提出的SSIM框架比较了每个属性，因此由3个分量组成：亮度、对比度和结构，其定义如下：
其中，、表示平均值，、表示方差，表示patch内的协方差。此外，为了防止不稳定性，,,，其中是特征图的动态范围，，。方程（3）的一个重要性质是，由于分母中的二次项，它更重视和的相对变化。
此外，是和之间的零归一化相关系数的直接测量，因此被公式化为它们的协方差和标准差乘积之间的比率。由于方程式（3）的范围为，将3个组成部分结合起来，可实现以下目标：
其中每个函数可以通过超参()进行调整，默认。
由于本文的方法完全基于特征，与Head或边界框标签的类型无关，因此只需使用加权因子将添加到现有检测目标函数（通常为和）中，从而实现以下总体训练目标：
4、实验
4.1、 Comparison with -norms
4.2、Influence of Luminance, Contrast and Structure
4.3、Comparison to State-of-the-Art Methods
4.4、Ablation Studies
5、参考
[1].Structural Knowledge Distillation for Object Detection.
