Los métodos tradicionales de destilación de conocimiento para la segmentación semántica aún presentan problemas como destilación incompleta del conocimiento y transferencia poco significativa de información de características, además, la situación de transferencia de conocimiento de la red docente es compleja y es fácil que se pierda la información de la ubicación de las características. Para abordar estos problemas, este artículo propone un modelo de segmentación semántica basado en la destilación de conocimiento y la extracción de características llamado FRKDNet. Primero, basándose en las características del primer plano y el ruido de fondo, se diseñó un método de extracción de características para separar el contenido del primer plano en el conocimiento destilado; después de filtrar el conocimiento falso de la red docente, se transfiere un contenido de características más preciso a la red estudiante, aumentando así la capacidad de representación de las características. Al mismo tiempo, en la codificación implícita del espacio de características se extraen las distancias interclase e intraclase para obtener la máscara de coordenadas de características correspondiente; la red estudiante minimiza la diferencia con la posición de las características de la red docente mediante la simulación de la información de la posición de las características y calcula por separado la pérdida de destilación con la red estudiante, mejorando así la precisión de segmentación de la red estudiante y ayudando a que converja más rápido. Finalmente, se lograron excelentes rendimientos de segmentación en los conjuntos de datos públicos Pascal VOC y Cityscapes con MIoU alcanzando 74.19% y 76.53% respectivamente, mejorando en 2.04% y 4.48% en comparación con la red estudiante original. El método propuesto tiene un mejor desempeño y robustez en la segmentación en comparación con los métodos principales, proporcionando un nuevo método para la destilación de conocimiento en segmentación semántica.

segmentación semántica;red neuronal;destilación de conocimiento;extracción de características;aprendizaje profundo