CVPR 2022 | 針對目標(biāo)檢測的重點(diǎn)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(guān)于目標(biāo)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(diǎn)，現(xiàn)在代碼已經(jīng)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(biāo)檢測而言是一個(gè)重要的問題，這個(gè)問題同樣影響著知識蒸餾。

知識蒸餾旨在使學(xué)生學(xué)習(xí)教師的知識，以獲得相似的輸出從而提升性能。為了探索學(xué)生與教師在特征層面的差異，我們首先對二者的特征圖進(jìn)行了可視化?？梢钥吹皆诳臻g與通道注意力上，教師與學(xué)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(xué)生帶來不同的學(xué)習(xí)難度。

為了進(jìn)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(jìn)行了蒸餾實(shí)驗(yàn)，全圖一起蒸餾會導(dǎo)致蒸餾性能的下降，將前景與背景分開學(xué)生能夠獲得更好的表現(xiàn)。

針對學(xué)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(diǎn)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(quán)重，指導(dǎo)學(xué)生進(jìn)行知識蒸餾，計(jì)算重點(diǎn)蒸餾損失。

如前所述，F(xiàn)ocal Distillation將前景與背景分開進(jìn)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(xué)生與教師的全局信息，并進(jìn)行全局蒸餾損失的計(jì)算。

FGD僅需要獲取學(xué)生與教師的特征圖，便可完成重點(diǎn)蒸餾損失與全局蒸餾損失的計(jì)算，可以很方便的應(yīng)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(jìn)行了實(shí)驗(yàn)，在COCO2017上學(xué)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(qiáng)的檢測器對學(xué)生進(jìn)行蒸餾，發(fā)現(xiàn)當(dāng)使用更強(qiáng)的模型作為教師進(jìn)行蒸餾時(shí)，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(dá)到39.7和40.7的mAP。

對于使用FGD蒸餾完成后的學(xué)生模型，我們再次進(jìn)行了注意力的可視化?？梢钥吹剑?jīng)過FGD訓(xùn)練后的學(xué)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(xué)生通過蒸餾學(xué)到了教師的知識并獲得了更好的特征，由此實(shí)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(shí)現(xiàn)，易于復(fù)現(xiàn)，且已添加更多的教師與學(xué)生蒸餾設(shè)置，相關(guān)結(jié)果也在代碼中給出，歡迎大家使用。