摘要
لا تزال طرق تقطير المعرفة التقليدية لتقسيم الدلالات تعاني من مشكلات مثل تقطير المعرفة غير الكامل وعدم وضوح نقل معلومات الميزات، كما أن حالة نقل المعرفة من شبكة المعلم معقدة ويسهل فقدان معلومات موضع الميزات. لمواجهة هذه المشكلات، يقترح هذا البحث نموذج تقسيم دلالات يعتمد على تقطير المعرفة لاستخلاص الميزات، يسمى FRKDNet. أولًا، بناءً على خصائص ميزات المقدمة وضوضاء الخلفية، تم تصميم طريقة لاستخلاص الميزات لفصل المحتوى الأمامي ضمن المعرفة المقطرة، حيث يتم تصفية المعرفة الزائفة من شبكة المعلم ونقل محتوى الميزات الأكثر دقة إلى شبكة الطالب، مما يعزز قدرة الميزات على التمثيل. في الوقت نفسه، يتم استخراج المسافات بين الطبقات وداخل الطبقات في الترميز الضمني لمساحة الميزات للحصول على قناع إحداثيات الميزات ذي الصلة، حيث تقلل شبكة الطالب من الفجوة في موضع الميزات مع شبكة المعلم عن طريق نمذجة معلومات موضع الميزات، ويتم حساب خسارة التقطير مع شبكة الطالب على حدة، مما يحسن دقة تقسيم شبكة الطالب ويساعد على تقاربها بسرعة. أخيرًا، أظهر النموذج أداءً ممتازًا في مجموعة البيانات العامة Pascal VOC وCityscapes، حيث بلغت MIoU 74.19٪ و76.53٪ على التوالي، بزيادة قدرها 2.04٪ و4.48٪ مقارنة بشبكة الطالب الأصلية. توفر الطريقة المقترحة أداء تقسيم أفضل وموثوقية مقارنة بالطرق السائدة، وتشكل طريقة جديدة لتقطير المعرفة في تقسيم الدلالات.
关键词
تقسيم دلالات;شبكة عصبية;تقطير معرفة;استخلاص ميزات;تعلم عميق
以上内容由讯飞翻译自动生成，翻译内容仅供参考。对于因使用本网站翻译内容产生的相关后果，本网站不承担任何商业和法律责任。
The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website