ECCVJul, 2020

可解释的前景物体搜索作为知识蒸馏

PDF
TL;DR该论文提出了一种基于知识蒸馏的前景物体搜索（FoS）方法，它能够在同一类别的前景中进行 “可替换前景” 的实例级搜索，并且超越了先前的最优结果。
foreground object searchknowledge distillationinterchangeable foregroundspattern-level searchmean average precision
发现论文，激发创造
  • 通过提炼复合图像特征进行前景对象搜索

    一种通过蒸馏复合特征的新型前景对象搜索（DiscoFOS）方法，利用两个编码器提取前景特征和背景特征，并通过与教师网络的复合图像特征匹配来实现前景对象搜索，通过在自己贡献的两个数据集上进行实验证明了该方法的优越性。

    Aug, 2023

  • 无约束前景目标搜索

    本文提出了一种解决图像编辑中寻找前景对象的技术 —— 无约束前景物体搜索，并介绍了一种支持通过将背景图像与前景对象进行编码来进行高效搜索的解决方案。通过创建具有不同语义类别的多个前景对象的大型训练数据集，我们的无约束前景物体搜索解决方案优于相关基线，这在两个不同的数据集上进行了定量和人类感知实验的证实。

    Aug, 2019

  • 知识继承下的高效少样本目标检测

    通过提出一种高效的预训练迁移框架（PTF）基准线，采用 “知识传承”（KI）初始化程序来可靠地初始化盒子分类器的新权重，有效促进知识传递过程，并提高适应速度，该方法不仅在三个公共基准测试中取得了 SOTA 的结果，即 PASCAL VOC，COCO 和 LVIS，而且在少样本迁移过程中，在 COCO / LVIS 基准测试中比其他方法的适应速度快 1.8-100 倍，是第一个在 FSOD 中考虑效率问题的研究。

    Mar, 2022

  • G-DetKD: 通过对比和语义引导特征模仿实现物体检测器的通用蒸馏框架

    研究如何应用知识蒸馏策略到目标检测中，同时提出了一种适用于同质和异质教师 - 学生的有效框架。通过提出一种新的语义引导特征模仿技术，以及引入对比蒸馏来有效地捕捉不同区域的信息编码关系，我们的方法在多个检测基准上持续优于现有的检测 KD 技术。

    Aug, 2021

  • 自监督表示学习的定位加速

    通过数据驱动的前景显著性估计和复制粘贴来生成图像视图，实现对背景不变性的学习，从而训练代表性忽略背景内容并专注于前景的对比学习模型，并实现了在 ImageNet 分类和 PASCAL VOC、MSCOCO 目标检测上的显著性能提升。

    Apr, 2020

  • 通过神经实例特征锻造减轻广义少样本物体检测中的遗忘问题

    本文提出了第一个无需访问基础图像的数据自由知识蒸馏（DFKD）方法，通过利用基模型的 RoI 特征统计信息来伪造实例级特征来协助 G-FSOD，从而显著减少底层内存要求并提高 G-FSOD 在 MS-COCO 和 PASCAL-VOC 基准测试中的表现。

    Mar, 2023

  • 基于 3D 增强的对比知识蒸馏，用于基于图像的物体位姿估计

    该研究论文提出了一种基于图像的物体姿态估计方法，利用多模态方法学习的 3D 知识通过对比知识蒸馏框架有效地转移给单模态模型，使其在没有 3D 信息的情况下提升物体姿态估计准确率，实验证明了该方法的有效性。

    Jun, 2022

  • 检测器的焦点和全局知识蒸馏

    该论文提出前景和全局蒸馏技术（FGD），将知识蒸馏方法成功地应用于目标检测任务，通过前景蒸馏和全局蒸馏对学生网络进行训练，实现了对教师网络的知识迁移，取得了显著的 mAP 改进。

    Nov, 2021

  • 细粒度原型蒸馏用于少样本目标检测

    我们提出了一种新的方法，利用元学习和精细原型来改进少样本目标检测，并通过新的特征聚合模块、平衡类别无关采样和非线性融合模块来提高高级特征融合，从而在 PASCAL VOC 和 MS COCO 基准测试中取得了最先进的性能。

    Jan, 2024

  • 无数据知识蒸馏用于细粒度视觉分类

    我们提出了一种名为 DFKD-FGVC 的方法，它扩展了 DFKD 到细粒度视觉分类任务，使用了对抗蒸馏框架、注意力生成器、混合高阶注意力蒸馏和语义特征对比学习，以实现更好的性能表现。

    Apr, 2024