CVPR 2022 | 針對目標檢測的重點與全局知識蒸餾(FGD)

來源丨h(huán)ttps://zhuanlan.zhihu.com/p/477707304編輯丨極市平臺

本文介紹我們CVPR2022關于目標檢測的知識蒸餾工作: Focal and Global Knowledge Distillation for Detectors，只需要30行代碼就可以在anchor-base, anchor-free的單階段、兩階段各種檢測器上穩(wěn)定漲點，現(xiàn)在代碼已經開源，歡迎大家試用～

文章鏈接：https://arxiv.org/abs/2111.11837

代碼鏈接：https://github.com/yzd-v/FGD

前背景的不平衡對于目標檢測而言是一個重要的問題，這個問題同樣影響著知識蒸餾。

知識蒸餾旨在使學生學習教師的知識，以獲得相似的輸出從而提升性能。為了探索學生與教師在特征層面的差異，我們首先對二者的特征圖進行了可視化?？梢钥吹皆诳臻g與通道注意力上，教師與學生均存在較大的差異。其中在空間注意力上，二者在前景中的差異較大，在背景中的差異較小，這會給蒸餾中的學生帶來不同的學習難度。

為了進一步探索前背景對于知識蒸餾的影響，我們分離出前背景進行了蒸餾實驗，全圖一起蒸餾會導致蒸餾性能的下降，將前景與背景分開學生能夠獲得更好的表現(xiàn)。

針對學生與教師注意力的差異，前景與背景的差異，我們提出了重點蒸餾Focal Distillation：分離前背景，并利用教師的空間與通道注意力作為權重，指導學生進行知識蒸餾，計算重點蒸餾損失。

如前所述，F(xiàn)ocal Distillation將前景與背景分開進行蒸餾，割斷了前背景的聯(lián)系，缺乏了特征的全局信息的蒸餾。為此，我們提出了全局蒸餾Global Distillation：利用GcBlock分別提取學生與教師的全局信息，并進行全局蒸餾損失的計算。

FGD僅需要獲取學生與教師的特征圖，便可完成重點蒸餾損失與全局蒸餾損失的計算，可以很方便的應用到各種類型的檢測器上。

我們對anchor-based與anchor-free的單階段與二階段檢測器進行了實驗，在COCO2017上學生檢測器均獲得了大幅的AP和AR提升。

我們采用了具有更強的檢測器對學生進行蒸餾，發(fā)現(xiàn)當使用更強的模型作為教師進行蒸餾時，F(xiàn)GD為模型能帶來更大的性能的提升。例如RetinaNet-R50在ResNet-101和ResNeXt-101的老師蒸餾下，分別可達到39.7和40.7的mAP。

對于使用FGD蒸餾完成后的學生模型，我們再次進行了注意力的可視化?？梢钥吹?，經過FGD訓練后的學生，空間注意力和通道注意力的分布與教師都非常相似，這表明學生通過蒸餾學到了教師的知識并獲得了更好的特征，由此實現(xiàn)了性能的提升。

我們已將代碼開源：https://github.com/yzd-v/FGD
代碼基于MMDetection實現(xiàn)，易于復現(xiàn)，且已添加更多的教師與學生蒸餾設置，相關結果也在代碼中給出，歡迎大家使用。