DTKDP: A Dual Teacher Knowledge Distillation and Pruning Framework for Lightweight Oriented SAR Ship Detection
Aggiunta all'archivio di AIChronos il (numero del 21 settembre 2026 ricostruito)· fonte del · Yuming Li, Fan Zhang, Alin M. Achim
Il framework DTKDP è progettato per ottimizzare i rilevatori SAR bidimensionali orientati riducendo drasticamente parametri e FLOPs senza compromettere significativamente la precisione. Utilizza una strategia di distillazione della conoscenza a doppio insegnante (dual-teacher) che combina guida da classificatore e regressore con un meccanismo di allineamento delle proposte ruotate per migliorare il posizionamento locale. Inoltre, introduce porte apprese nelle layer convoluzionali e lineari per eseguire pruning mirato sui canali convolutivi e sulle neuroni della head RoI. I risultati sperimentali dimostrano che le versioni 'slim' del modello mantengono metriche di accuratezza vicine ai controparti full-scale mentre superano i metodi di distillazione esistenti.
- Implementa un meccanismo di pruning basato su porte apprese per ridurre il numero di parametri e FLOPs fino al 90% nei backbone ResNet-50.
- Adotta uno schema dual-teacher che integra segnali complementari da un insegnante omogeneo (main) ed eterogeneo (auxiliary).
- Introduce Rotated Proposal Alignment (RPA) per distillare previsioni in uno spazio condiviso di proposte ruotate generate dall'insegnante.
- Migliora le metriche AP e mAP rispetto a RTMDet-tiny su entrambi i dataset SSDD e RSDD-SAR mantenendo un ottimo trade-off efficienza-accuratezza.
- Permette il deployment di rilevatori SAR orientati ad alta precisione in scenari con risorse computazionali limitate.
Perché conta. Sebbene focalizzato su visione artificiale radar, i principi architetturali presentati sono fondamentali per qualsiasi sviluppatore che lavora su modelli locali o agenti AI: dimostrano come la distillazione multi-insegnante e il pruning strutturato possano rendere efficienti grandi backbones (come ResNet-50) senza degradare le prestazioni inferenziali.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.