论文地址：
https://arxiv.org/abs/2103.14475
主要问题：
与图像分类不同的是，目标检测的知识蒸馏更加复杂，因为它往往具有具有多个损失函数，其中语义信息所依赖的特征纠缠在一起
此外其他的目标检测
版权声明：本文为CSDN博主「BIT可达鸭」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_44936889/article/details/119062449
相关推荐
2021 目标检测知识蒸馏 SOTA：End-to-End Semi-Supervised Object Detection with Soft Teacher
论文地址： https://arxiv.org/abs/2106.09018 代码地址： https://github.com/microsoft/SoftTeacher 主要工作： 当前的半监督目标检测算法都需要多阶段的训练，例如在
CVPR2020论文笔记——EfficientDet---双尺度特征融合BiFPN目标检测
代码：https://github.com/google/automl/tree/ master/efficientdet. 摘要：提出了提高效率的几个关键优化 提出了一种加权的双向特征金字塔网络，它
多模态深度学习综述总结 与 目标检测多模态融合领域论文推荐
一、多模态学习定义及应用 模态定位为某种类型的信息，如声音、图像、文字等。人们生活在一个多模态相互交融的环境中，生活中的各项决策都考虑了至少两种方面的信息。对单模态信息的学习上，每种模态的异构性决定了其
优于FCOS：在One-Stage和Anchor-Free目标检测中以最小的成本实现最小的错位（代码待开源）...
关注并星标 从此不迷路 计算机视觉研究院 公众号ID｜ComputerVisionGzq 学习群｜扫码在主页获取加入方式 计算机视觉研究院专栏 作者：Edison_G 与基线FCOS（
暂无评论