Os métodos tradicionais de destilação de conhecimento para segmentação semântica ainda apresentam problemas como destilação de conhecimento incompleta e transferência insignificante de informações de características, além disso, a situação da transferência de conhecimento da rede professora é complexa, o que facilita a perda de informações de localização das características. Para enfrentar esses problemas, este artigo propõe um modelo de segmentação semântica de extração de características baseado em destilação de conhecimento chamado FRKDNet. Primeiro, com base nas características do primeiro plano e no ruído de fundo, foi projetado um método de extração de características para separar o conteúdo do primeiro plano no conhecimento destilado; após filtrar o falso conhecimento da rede professora, um conteúdo de características mais preciso é transferido para a rede estudante, melhorando assim a capacidade de representação das características. Ao mesmo tempo, na codificação implícita do espaço de características, extraem-se as distâncias interclasse e intraclasse para obter a máscara de coordenadas das características correspondentes; a rede estudante minimiza a diferença em relação à posição das características da rede professora ao simular as informações de posição das características e calcula separadamente a perda de destilação com a rede estudante, melhorando assim a precisão da segmentação da rede estudante e ajudando-a a convergir mais rapidamente. Finalmente, alcançou-se um excelente desempenho de segmentação nos conjuntos de dados públicos Pascal VOC e Cityscapes, com MIoU atingindo 74,19% e 76,53%, respectivamente, representando um aumento de 2,04% e 4,48% em comparação com a rede estudante original. O método proposto possui melhor desempenho e robustez na segmentação em comparação com os métodos convencionais, fornecendo um novo método para a destilação de conhecimento em segmentação semântica.

segmentação semântica;rede neural;destilação de conhecimento;extração de características;aprendizagem profunda