今日分享一篇最近新出的目标检测论文『Localization Distillation for Object Detection』
论文链接:https://arxiv.org/abs/2102.12252
项目链接:https://github.com/HikariTJU/LD
论文作者来自天津大学、哈尔滨工业大学。
01
动机
定位的准确性对目标检测算法的性能有很大的影响,而在数据集或者实际应用场景中,位置模糊性(localization ambiguity)是广泛存在的,如下图所示:
上面左图中大象的下边框和右图中冲浪板的右边框是模糊的,很难被检测器检测到,尤其是轻量级的目标检测网络。
在Gaussian yolov3中使用高斯分布对目标边框的不确定性进行建模,GFocal使用一般的离散分布表示目标边框的不确定性,将目标的边框表示为没有任何先验知识限制的离散概率分布。
与上述方法不同,作者将蒸馏学习引入到目标检测网络的定位分支中,提出使用位置蒸馏(简称为LD,Localization Distillation)的方法提高目标框的质量:使用能够解决位置模糊性问题的高性能教师网络,通过蒸馏学习得到学生网络,使得学生网络能像教师网络一样解决位置模糊问题;此外,对于高性能的检测网络使用Self-LD,能够进一步增强网络预测框的精确度。
另外,作者还将Teacher Assistant Strategy引入到LD中,降低使用LD时对教师网络选取的敏感性。
02
知识蒸馏基础
知识蒸馏(KD,Knowledge Distillation)使得轻量级的学生网络能够模仿高性能的教师网络,提高学生网络的性能。
使用 表示教师网络, 表示学生网络, 和 分别表示 和 中最后一个FC层的输出,对 和 进行softmax操作得到 和 。
在KD中, 是高性能网络, 是轻量级网络,将 应用到 的训练过程中,使得 同时学习ground-truth 和 的输出 ,损失函数为:
上式中的 表示交叉熵损失, 表示KL散度损失, 表示蒸馏温度, 和 的定义为:
在蒸馏学习过程中,只更新 的权重 , 的权重