Les méthodes traditionnelles de distillation des connaissances pour la segmentation sémantique présentent encore des problèmes tels qu'une distillation incomplète des connaissances et un transfert d'informations caractéristiques peu significatif, de plus la situation du transfert de connaissances du réseau enseignant est complexe, ce qui entraîne une perte facile des informations de position des caractéristiques. Pour répondre à ces problèmes, cet article propose un modèle de segmentation sémantique basé sur la distillation des connaissances et l'extraction des caractéristiques appelé FRKDNet. Premièrement, en fonction des caractéristiques du premier plan et du bruit de fond, une méthode d'extraction des caractéristiques a été conçue pour séparer le contenu du premier plan dans les connaissances distillées, après avoir filtré les fausses connaissances du réseau enseignant, un contenu de caractéristiques plus précis est transmis au réseau étudiant, améliorant ainsi la capacité de représentation des caractéristiques. Parallèlement, dans le codage implicite de l'espace des caractéristiques, les distances inter-classes et intra-classes sont extraites pour obtenir un masque de coordonnées des caractéristiques correspondant ; le réseau étudiant minimise l'écart par rapport à la position des caractéristiques du réseau enseignant en simulant l'information de position des caractéristiques, et calcule séparément la perte de distillation avec le réseau étudiant, améliorant ainsi la précision de segmentation du réseau étudiant et aidant ce dernier à converger plus rapidement. Enfin, d'excellentes performances de segmentation ont été réalisées sur les ensembles de données publics Pascal VOC et Cityscapes avec des MIoU atteignant respectivement 74,19 % et 76,53 %, soit une amélioration de 2,04 % et 4,48 % par rapport au réseau étudiant original. La méthode proposée présente de meilleures performances de segmentation et une plus grande robustesse par rapport aux méthodes principales, offrant une nouvelle approche pour la distillation des connaissances en segmentation sémantique.

segmentation sémantique;réseau neuronal;distillation des connaissances;extraction de caractéristiques;apprentissage profond