【Distill 系列:二】CVPR 2019 Distilling Object Detectors with Fine-grained Feature Imitation

cvpr 2019

detectors care more about local near object regions

motivation

  • Fitnets: Hints for thin deep nets

    hint learning 利用网络中间层 teacher & student feature map L2 loss
    分析 feature map 整体做 hint 不好,detectors care more about local regions that overlap with ground truth objects while classification models pay more attention to global context.

本文并不是对整个feature map 做的 hint learning,而是只对 gt附近的anchor 进行蒸馏,有一个 fine-grained feature limitation

在这里插入图片描述

红框:和 gt box IOU 最大
绿框:与 gt box IOU 大于 下限阈值

method

在这里插入图片描述

  • 对于每个 gt box,我们计算它与所有锚点之间的IOU,从而形成 W×H×K IOU map m
    (W和H表示 feature map 的宽度和高度,K表示K个预设锚框)
  • 然后我们找到最大的IOU值 M = ma
  • 2
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值