无人机语义分割双分支范围松弛匹配学习

先前工作在双分支网络利用蒸馏的方式使具有较高语义信息的语义分支引导空间分支学习,但是由于语义分支和空间分支之间仍然存在差异性,在部分数据集上效果不理想。为了解决该问题,文中提出范围松弛匹配学习策略,通过松弛匹配方式使学生模型不用费力匹配教师的精准输出结果,从而减小空间分支和语义分支之间的差异。相较于之前精准知识传递方式,采用范围松弛匹配方式,避免出现精准匹配对空间分支学习过于苛刻的现象,也避免了线性匹配出现过于松弛导致学习过程中梯度爆炸的现象。为了验证文中方法的有效性和泛化性,将在BiSeNetV1、BiSeNetV2、STDC三个双分支网络上进行验证,凸显该方法的有效性。通过实验结果表明文中方法较基线网络、双分支共享引导式学习、松弛匹配等方法,在UVAid和UDD两个数据集上都有提升效果,体现出范围松弛匹配的泛化性。通过对比实验表明文中改进后的方法较其他方法有一定的竞争力。