🔥 今日值得一读
仅2.92%精度提升，轻量检测器竟靠跨尺度蒸馏逆袭航空微小目标检测！
CSCWD: Cross-Scale Channel-wise Knowledge Distillation for Lightweight Tiny Object Detection on Edge Devices
👨💼 主理人解读 · 为什么值得关注
做航拍小目标检测的开发者可用此训练时蒸馏提升轻量模型精度，不增加推理成本。
📖 AI 总结
该研究针对航空影像中微小目标检测在边缘设备上受限于空间证据薄弱与轻量检测器高分辨率细节丢失的问题，提出了跨尺度通道知识蒸馏框架CSCWD。该方法在训练阶段将YOLO11m-P2教师模型的高分辨率空间表征迁移至紧凑的YOLO11n学生模型，且不改变学生模型的推理架构。其核心创新在于，在特征对齐后将监督信号从教师P2跨尺度传递至学生P3，同时在更深金字塔层级保留同尺度蒸馏。在Drone-vs-Bird验证协议下，YOLO11n-CSCWD取得50.17%的mAP@0.5和59.73%的召回率，较基线分别提升2.92和3.55个百分点，跨尺度对齐相比同尺度通道蒸馏再提升2.09个百分点。在DUT-Anti-UAV零样本评估中，mAP@0.5从48.29%升至50.06%。在树莓派5上以NCNN-FP16运行，258万参数的学生模型达到50.32% mAP@0.5，平均延迟82.32毫秒，约12.15帧每秒，运行时与内存开销与基线基本持平。结果表明，跨尺度蒸馏可在不增加推理复杂度的前提下有效提升微小目标检测性能。
🔑 关键词速览
| CSCWD | 跨尺度通道级知识蒸馏，一种训练时框架，将教师模型高分辨率特征迁移至学生模型，且不改变学生推理架构。 |
| YOLO11m-P2 / YOLO11n | YOLO11 系列的目标检测模型，m 表示中等规模教师模型，n 表示轻量级学生模型，P2 指高分辨率特征金字塔层级。 |
| mAP@0.5 | 交并比阈值为 0.5 时的平均精度均值，是目标检测中常用的精度评价指标。 |
| NCNN-FP16 | NCNN 是面向移动端优化的推理框架，FP16 表示使用半精度浮点数进行推理，以降低计算和内存开销。 |
| 零样本评估 | 在未对目标域数据进行微调的情况下，直接测试模型在目标数据集上的泛化性能。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅