新方法LGKD提升3D-CNN动作识别蒸馏效果
论文AI 评分 60/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对视频分析中特征蒸馏方法常忽视时间维度差异的问题，研究人员提出标签引导知识蒸馏（LGKD）。该方法包含样本级和类别级蒸馏两个组件，利用真实标签和教师模型概率分布指导学生模型学习，并引入原型网络捕捉同类样本间的关系知识。在UCF101和HMDB51数据集上的实验验证了该方法的有效性。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载解决视频特征蒸馏痛点
知识蒸馏旨在将高性能教师模型的知识迁移至轻量级学生模型。研究团队在回顾3D-CNN特征蒸馏时发现，现有的视频分析特征蒸馏方法大多是对图像分析方法的简单移植，往往忽略了视频特征在时间维度上的差异。为了解决这一问题，团队提出了标签引导知识蒸馏（LGKD）方法，利用真实标签来指导学生模型特征的蒸馏过程。
双层级蒸馏机制
LGKD方法包含两个核心组件：样本级蒸馏和类别级蒸馏。样本级蒸馏利用标签信息以及教师模型的概率分布，指导学生模型学习那些对时间准确度有显著影响的特征，同时减少噪声干扰。类别级特征蒸馏则采用原型网络，进一步捕捉同类样本内部样本之间的关系知识，增强学生模型学习高维语义信息的能力，从而提升模型的泛化性能。
实验验证与结果
为了证明该方法的有效性和优越性，研究团队在两个基准动作识别数据集UCF101和HMDB51上进行了全面的实验。实验结果表明，该方法在这两个数据集上都取得了具有竞争力的结果，验证了通过标签引导和双层级蒸馏机制能够有效提升3D-CNN在动作识别任务中的表现。
为什么值得看
为3D-CNN模型压缩提供了针对视频时序特征的新思路。
蒸馏数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。