天津大学研究生e-Learning平台

 随着基于深度学习的图像语义分割算法的不断发展，语义分割的准确度已经接近80%。但是在算法效果不断上升的同时，深度神经网络的复杂度也在不断上升，这对算法运行的硬件设备提出了很高的要求。为了使模型简化，以便能更好的应用于较低硬件水平的平台甚至应用于移动端，在本次报告中，我介绍了一种基于知识蒸馏的图像语义分割算法。本算法通过构建结构复杂但运行效果好的教师网络和结构简单的学生网络，用教师网络的输出、中间层特征图训练学生网络，使学生网络用较少的参数模拟出教师网络的效果，达到模型压缩的目的。另外，算法采用了生成对抗网络的思想，借助条件鉴别器对生成的语义信息图进行鉴别，使学生网络的生成图逼近教师网络的生成结果。虽然由于计算参数量的限制，学生网络的输出结果略低于教师网络，但算法效果也超过其他语义分割算法，并极大地减少了计算复杂度。