cvpr2021
Lu Qi1†, Jason Kuen2†, Jiuxiang Gu2, Zhe Lin2, Yi Wang1, Y ukang Chen1, Yanwei Li1, Jiaya Jia1,3
1The Chinese University of Hong Kong 2Adobe Research 3SmartMore
0.摘要
作者针对的是高分辨率输入,在不降低输入的分辨率的前提下,通过FPN来训练多尺度的教师,来传授给低分辨率的学生
传统的方法有不对齐的可能
1.损失函数
本文是以全卷积网络为pipeline,损失如下:
Lcls 是classification loss, Lreg 是 bounding box regression loss, and Lctr 是 centerness loss
对齐多尺度学习损失:
2.交叉特征级融合( Crossing feature-level fusion)
高分辨率的模型在小物体检测中表现更好,低分辨率模型在大物体检测中表现更好,于是作者提出了C-FF模块
在得到multi-resolution 特征图 PsT后,就可以蒸馏给学生模型了。