Традиционные методы дистилляции знаний для семантической сегментации по-прежнему сталкиваются с проблемами неполной дистилляции знаний и незначительной передачи информации о признаках, а ситуация с передачей знаний от учительской сети сложна и легко теряется информация о позициях признаков. Для решения вышеуказанных проблем в данной статье предложена модель семантической сегментации с извлечением признаков на основе дистилляции знаний под названием FRKDNet. Во-первых, на основе характеристик признаков переднего плана и фонового шума была разработана методика извлечения признаков для отделения переднего плана из дистиллируемых знаний; после фильтрации ложных знаний учительской сети более точное содержимое признаков передается студенческой сети для повышения представительной способности признаков. Одновременно в неявном кодировании признакового пространства извлекаются межклассовые и внутриклассовые расстояния для получения соответствующей маски координат признаков. Студенческая сеть минимизирует разницу в позициях признаков с учительской сетью путем моделирования позиции признаков и отдельно вычисляет потери дистилляции со студенческой сетью, что повышает точность сегментации студенческой сети и способствует более быстрому сходу. В конечном итоге была достигнута отличная сегментационная производительность на общедоступных наборах данных Pascal VOC и Cityscapes с MIoU соответственно 74,19% и 76,53%, что на 2,04% и 4,48% выше по сравнению с исходной студенческой сетью. Предложенный метод обладает лучшей сегментационной производительностью и устойчивостью по сравнению с основными методами и предоставляет новый подход к дистилляции знаний для семантической сегментации.

семантическая сегментация;нейронные сети;дистилляция знаний;извлечение признаков;глубокое обучение