Dec, 2023

夜间无人机跟踪的相互学习知识蒸馏

PDF
TL;DR通过教师 - 学生的知识转移，构建了一种夜间无人机追踪的新型相互学习知识蒸馏框架 MLKD，以解决夜间无人机追踪中的低光增强器引入的计算负担和单学生训练偏见等问题，并在实际测试中验证了其有效性和优越性。
nighttime uav trackinglow-light enhancersmutual-learning knowledge distillation frameworkteacher-student knowledge transfermlkd-track
发现论文，激发创造
  • Tracker Meets Night: 无人机跟踪的 Transformer 增强器

    提出了一种基于空间通道 Transformer 的低光增强器，通过在跟踪方法之前引入该增强器，以实现可靠的夜间 UAV 追踪，使用 DarkTrack2021 基准进一步评估该方法.

    Mar, 2023

  • DarkLighter：无人机跟踪中的光明之光

    本文提出了一种名为 DarkLighter 的低光图像增强器，采用轻量级的 ME-Net 网络，用于提高无人机跟踪器在夜间、低光环境下的鲁棒性。实验证明，DarkLighter 的普适性和可靠性很高，并已在典型的 UAV 系统上实现，夜间场景的实际测试表明其实用性和可靠性。

    Jul, 2021

  • 基于跨模型半监督学习的道路检测的知识蒸馏

    知识蒸馏和半监督学习方法相结合的半监督学习知识蒸馏（SSLKD）方法在道路分割应用中表现出显著的学生模型性能提升，超过传统半监督学习方法的效果。

    Feb, 2024

  • 强化轻量级裂纹分割模型性能的鲁棒特征知识蒸馏

    该论文开发了一种名为鲁棒特征知识蒸馏（RFKD）的框架，通过从教师模型的逻辑层和中间特征图中提取知识，并利用混合的清晰和噪声图像将稳定的模式传递给学生模型，提高其精度、泛化性能和抗噪声性能，从而改善轻型裂缝分割模型的鲁棒性。验证结果表明，在噪声图像上，RFKD 相比于最先进的知识蒸馏方法在平均 Dice 分数上提高了 62%。

    Apr, 2024

  • MTKD：图像超分辨率的多教师知识蒸馏

    我们提出了一种新颖的多教师知识蒸馏（MTKD）框架，专门用于图像超分辨率，通过结合和增强多个教师模型的输出来指导紧凑的学生网络的学习过程，并通过在空间和频率域中观察差异来优化训练过程，从而在超分辨率性能上实现了明显的改善。

    Apr, 2024

  • 自适应多教师多层级知识蒸馏

    我们提出了基于多教师多层知识蒸馏学习框架的自适应学习方法，该方法通过将每个教师与潜在表示相关联，自适应地学习实例级教师重要性权重，从而获取集成的高级知识，并通过多组提示策略从多个教师处汇集中间级知识。实验表明，该方法确保学生比强竞争者取得了更好的性能。

    Mar, 2021

  • SAM-DA: 基于 SAM 动态自适应方法的夜间无人机目标跟踪技术

    本研究提出了一种基于 SAM 模型的领域自适应框架 SAM-DA，用于实时夜间无人机跟踪。与 SOTA 领域适应方法相比，SAM-DA 的经济化训练方法可以通过少量的夜间图像实现更好的性能，从而促进了无人机算法的快速验证和部署。

    Jul, 2023

  • MonoTAKD: 单目三维目标检测的助教知识蒸馏

    通过使用单目摄像头传感器进行教学助理知识蒸馏（MonoTAKD），结合了对于 3D 场景几何形状的理解与从单张图像中重构 3D 对象信息，实现了在 KITTI 3D 对象检测基准中的标杆性能。

    Apr, 2024

  • 元学习的自适应多教师知识蒸馏

    本文提出了自适应多教师知识蒸馏与元学习，以指导学生从量身定制的集成教师中获得适当的知识。通过元权重网络的辅助，将输出层和中间层中多样但兼容的教师知识联合利用，以增强学生的表现。在多个基准数据集上进行的广泛实验验证了本方法的有效性和灵活性。

    Jun, 2023

  • 使用精简强化的模型进行 Tracker 追踪

    本文提出了一种新的视觉目标跟踪模型，通过知识蒸馏和强化学习训练了一个紧凑的学生模型，可以从其他跟踪器中传输和压缩跟踪知识，并利用在线学习的评估措施，建立一个快速、简单且有效的跟踪机制使得最终跟踪器与实时最先进的跟踪器具有相同的竞争力。

    Jul, 2020