Traditionelle Wissensdestillationsmethoden für die semantische Segmentierung weisen weiterhin Probleme wie unvollständige Wissensdestillation und unbedeutende Merkmalsübertragung auf, zudem ist die Wissensübertragung durch das Lehrnetzwerk komplex und die Positionsinformationen der Merkmale gehen leicht verloren. Zur Lösung dieser Probleme wird in dieser Arbeit ein semantisches Segmentierungsmodell zur Merkmalsextraktion auf Basis der Wissensdestillation namens FRKDNet vorgeschlagen. Zunächst wurde basierend auf den Eigenschaften von Vordergrundmerkmalen und Hintergrundrauschen eine Methode zur Merkmalsextraktion entwickelt, um Vordergrundinhalte aus dem destillierten Wissen zu separieren. Nach dem Filtern von Pseudo-Wissen des Lehrnetzwerks wird präziserer Merkmalinhalt an das Schülernetzwerk weitergegeben, um die Darstellungskapazität der Merkmale zu verbessern. Gleichzeitig werden im impliziten Encoding des Merkmalsraums Abstandsmaße zwischen und innerhalb der Klassen extrahiert, um eine entsprechende Merkmalskoordinatenmaske zu erhalten. Das Schülernetzwerk minimiert durch Simulation von Positionsinformationen der Merkmale die Abweichung zu den Merkmalpositionen des Lehrnetzwerks und berechnet die Destillationsverluste separat mit dem Schülernetzwerk, um die Segmentiergenauigkeit des Schülernetzwerks zu verbessern und dessen Konvergenz zu beschleunigen. Schließlich wurden auf den öffentlichen Datensätzen Pascal VOC und Cityscapes exzellente Segmentierungsergebnisse erzielt, mit MIoU-Werten von 74,19 % bzw. 76,53 %, was im Vergleich zum ursprünglichen Schülernetzwerk eine Steigerung von 2,04 % bzw. 4,48 % darstellt. Die vorgeschlagene Methode bietet im Vergleich zu gängigen Methoden eine bessere Segmentierungsleistung und Robustheit und stellt einen neuen Ansatz für die Wissensdestillation in der semantischen Segmentierung dar.

semantische Segmentierung;Neuronales Netzwerk;Wissensdestillation;Merkmalextraktion;Deep Learning