MTSF多源检测模型

多源蒸馏新SOTA

多教师学生框架融合多源域知识，生成的伪标签更可靠。

Li, Yang · 张姗姗 · Liu, Yunan · 74252293

Knowledge-Based Systems 2024

技术优势

多源域同时适应

不像单源方法只适配一个分布，MTSF用多个教师-学生子网络从每个源域蒸馏知识，直接覆盖多数据分布场景。

伪标签更可靠

通过多源原型构建和稠密到稀疏的跨域伪标签细化，层级式蒸馏减少了噪声，生成的伪标签更精确。

基准上刷新SOTA

在跨摄像头和跨时间两个基准适应场景中，MTSF优于之前的方法，建立了新的最高水平。

应用场景

• 自动驾驶感知：跨摄像头适应可提升不同城市、天气下的车辆行人检测，无需逐场景重新标注。
• 机器人视觉：机器人换到新环境时，多源蒸馏让模型快速适应不同视角和光照，减少现场数据采集。
• 工业检测：不同产线、不同相机来源的缺陷数据可以一起蒸馏，提升质检模型在新产线的泛化。
• 智能交通：跨时间适应让模型在早晚高峰、季节变化等分布漂移下保持检测精度。