一种面向工业部署的目标检测模型蒸馏技术OACSTPCD
深度学习目标检测模型的应用场景相当广泛,然而,受制于部署设备的性能,部署模型的检测精度往往较低。为提高检测模型的性能,本文提出一种高效的动态蒸馏训练方法。该方法创新性地引入动态样本分配策略来筛选教师模型的高质量输出,并配合蒸馏损失的动态权重调整,对传统的目标检测模型蒸馏算法进行改进。在电网安全施工场景数据集上的实验结果表明,相较于直接训练,该方法使YOLOv6-n模型的AP (Average Precision)值平均提高了2.63个百分点。本文…查看全部>>
史星宇;李强;庄莉;梁懿;王秋琳;陈锴;伍臣周;常胜
武汉大学物理科学与技术学院,湖北武汉430072国网信息通信产业集团有限公司,北京102211福建亿榕信息技术有限公司,福建福州350003福建亿榕信息技术有限公司,福建福州350003福建亿榕信息技术有限公司,福建福州350003福建亿榕信息技术有限公司,福建福州350003福建亿榕信息技术有限公司,福建福州350003武汉大学物理科学与技术学院,湖北武汉430072
计算机与自动化
深度学习目标检测知识蒸馏
《计算机与现代化》 2024 (10)
P.93-99,7
电网人工智能模型优化研究项目(SGITYLYRWZXX2202264)国家自然科学基金资助项目(62074116)武汉市知识创新专项(2023010201010077)。
评论