自适应分离知识蒸馏的遥感目标检测

来源：计算机工程与应用杂志2025年第6期北京时间：

作者：杨晓雨, 顾进广

单位：1.武汉科技大学 计算机科学与技术学院，武汉 430065；2.智能信息处理与实时工业系统湖北重点实验室，武汉 430065

摘要：近年来，深度模型在大规模应用方面取得巨大成功，但计算复杂度和存储需求等问题使它们在资源有限的设备上难以部署。知识蒸馏（KD）是一种压缩模型的方法，然而现有方法未考虑遥感数据集的特点。具体来说，在遥感数据集中由于背景复杂，图像中目标物体较小，直接应用现有的知识蒸馏方法时会出现大量噪声，影响训练性能。因此提出了自适应分离知识蒸馏（ASKD）方法。ASKD允许学生模型自动选择多尺度核心特征，减少噪声，同时通过分离全局和局部特征，有效抑制背景干扰。在LEVIR和SSDD数据集上，ASKD在单阶段和双阶段检测器上都取得了出色性能。例如，基于ResNet-18的Faster RCNN，ASKD在SSDD上实现了59.2%的mAP，比基线模型高出2.0个百分点，甚至胜过教师模型。

关键词：知识蒸馏,遥感,轻量级目标检测