CVPR2022:Toward a Unified Model论文阅读


在这里插入图片描述
在know ledgedistillation基础上设计了Two-stage Knowledge Learning (Collation-Examination)并引入contrastive learning的方法。

Method

Collaborative Knowledge Transfer(CKT)

Progressive Feature Projector(PFP)

将教师和学生网络的特征投影到一个共同的特征空间中,计算两个投影特征的L1损失:Q表示编码层数,Ti表示第i个教师网络,S表示学生网路
投影通过几个步幅为1的卷积块和ReLU激活函数组成的小网络实现
在这里插入图片描述
在这里插入图片描述

Bidirectional Feature Matching

将教师网络的投影特征投影回原始输入空间,计算两个特征的L1损失保证投影的有效性
在这里插入图片描述
在这里插入图片描述

Multi-contrastive Regularization(Two-stage Knowledge Learning)

在这里插入图片描述

Contrastive Regularization:v,v+,v-分别表示预测样本,正样本(目标样本),负样本;Ψ表示使用VGG-19提取的特征;R为负样本的个数.
在这里插入图片描述

Soft Contrastive Regularization.(Knowledge Collation (KC).)

Soft:使用教师的预测结果作为正样本避免前期学习的挑战性
在这里插入图片描述
在这里插入图片描述

Hard Contrastive Regularization.(Knowledge Examination (KE).)

Hard:训练一段时间后直接将groundtruth作为正样本学习
在这里插入图片描述
在这里插入图片描述

  • 23
    点赞
  • 12
    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