論文の概要: DTKDP: A Dual Teacher Knowledge Distillation and Pruning Framework for Lightweight Oriented SAR Ship Detection
- arxiv url: http://arxiv.org/abs/2609.24872v1
- Date: Mon, 21 Sep 2026 16:43:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:01.415088
- Title: DTKDP: A Dual Teacher Knowledge Distillation and Pruning Framework for Lightweight Oriented SAR Ship Detection
- Title（参考訳）: DTKDP:軽量指向型SAR船舶検出のための教師用知識蒸留・排水フレームワーク
- Abstract要約: 2段階指向型検出器は、合成開口レーダ(SAR)の船舶検出において高い位置決め精度を達成する。
既存の軽量SAR船の探知機は、正確に回転するローカライゼーションのための提案レベルの改良を欠いた一段式フレームワークを使用するのが一般的である。
本稿では,軽量指向型SAR船舶検知のための2つの教師による知識蒸留・プルーニング(DTKDP)フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 6.628457210292399
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Two-stage oriented detectors achieve high localization accuracy in synthetic aperture radar (SAR) ship detection, but their large backbones, feature pyramids, proposal modules, and heavy region of interest (RoI) heads hinder deployment. Existing lightweight SAR ship detectors typically use one-stage frameworks that lack proposal-level refinement for precise rotated localization. This paper presents a dual-teacher knowledge distillation and pruning (DTKDP) framework for lightweight oriented SAR ship detection. DTKDP introduces learnable gates into convolutional, normalization, and linear layers to prune convolutional channels and RoI-head neurons. Rotated proposal alignment (RPA) distills teacher and student predictions in a shared teacher-generated rotated proposal space, while a dual-teacher scheme combines classification and regression guidance from a homogeneous main teacher with complementary classification cues from a heterogeneous auxiliary teacher. Experiments on the SAR Ship Detection Dataset (SSDD) and Rotated Ship Detection Dataset in SAR Images (RSDD-SAR) show that DTKDP reduces the parameters of Oriented Region-based Convolutional Neural Network (Oriented R-CNN) and RoI Transformer equipped with ResNet-50 backbones by 87.5-91.8% and their floating-point operations (FLOPs) by 75.6-79.9%. In terms of average precision (AP) and mean average precision (mAP), the resulting Oriented R-CNN-slim and RoI Transformer-slim retain accuracy close to their full-scale counterparts. Relative changes across $\mathrm{AP}_{50}$, $\mathrm{AP}_{75}$, $\mathrm{mAP}_{50:75}$, and $\mathrm{mAP}_{50:95}$ range from a 2.38% decrease to a 0.65% improvement. Compared with RTMDet-tiny, they improve all four metrics on both datasets by 0.52-27.55% and consistently surpass representative distillation methods, demonstrating a favorable accuracy-efficiency trade-off.
- Abstract（参考訳）: 2段階指向検出器は、合成開口レーダ(SAR)の船体検出において高い位置決め精度を達成するが、その大きなバックボーン、特徴ピラミッド、提案モジュール、および重い関心領域(RoI)の配置が妨げられる。
既存の軽量SAR船の探知機は、正確に回転するローカライゼーションのための提案レベルの改良を欠いた一段式フレームワークを使用するのが一般的である。
本稿では,軽量指向型SAR船舶検知のための2つの教師による知識蒸留・プルーニング(DTKDP)フレームワークを提案する。
DTKDPは、学習可能なゲートを畳み込み、正規化、線形層に導入し、畳み込みチャネルやRoIヘッドニューロンを産み出す。
回転提案アライメント(RPA)は教師と生徒の予測を共有教師が生成した回転提案空間で蒸留し、二重教師方式は、同種主教師からの分類と回帰指導と、異種補助教師からの相補的な分類方法を組み合わせたものである。
SAR画像におけるSAR Ship Detection Dataset(SSDD)とRotated Ship Detection Dataset(RSDD-SAR)の実験により、DTKDPは、ResNet-50バックボーンを87.5-91.8%、浮動小数点演算(FLOP)を75.6-79.9%削減した。
平均精度 (AP) と平均精度 (mAP) の面では、R-CNNスリムとRoIトランスフォーマースリムは実規模に近い精度を維持している。
$\mathrm{AP}_{50}$, $\mathrm{AP}_{75}$, $\mathrm{mAP}_{50:75}$, $\mathrm{mAP}_{50:95}$の範囲は2.38%減少して0.65%改善された。
RTMDet-tinyと比較すると、両者のデータセットの4つの指標を0.52-27.55%改善し、代表的蒸留法を一貫して上回り、良好な精度と効率のトレードオフを示す。
関連論文リスト
- Towards Compact Unified Multimodal Tracking: Synergizing Knowledge Distillation with Structural Pruning [80.73561460934809]
多モード物体追跡は 相補的なセンサーデータを活用することで 目覚ましい堅牢性を達成した
我々は予測ヘッドを重要ではあるが、しばしば見過ごされる効率ボトルネックとみなしている。
デコーダアーキテクチャを戦略的に合理化することで、リアルタイム推論の可能性を解き放ちます。
論文 参考訳（メタデータ） (2026-08-02T20:41:33Z) - Deep Sigma Point Processes for RCS Modeling in Spaceborne SAR Imagery [3.3815414420459002]
レーダー断面積(RCS)モデリングは、宇宙搭載レーダーシステムの実用性と感度の向上の基礎となる。
本研究では,合成開口レーダ(SAR)画像におけるRCS予測のためのDSPP(Deep Sigma-point Process)モデルを提案する。
論文 参考訳（メタデータ） (2026-07-23T18:54:28Z) - CoDMD: Copula-aware Distribution Matching Distillation for Fast Video Generation [50.353919095724315]
実世界のシナリオにおける効率的な展開の急激な需要により,ビデオ拡散モデルの蒸留が注目されている。
我々は,凍結教師とオンライン偽モデルによって既に生成されているスコア推定を再利用し,対関係行列を構成する軽量リレーショナルレギュレータであるCopula-Aware DMD(CoDMD)を提案する。
1.3Bと14BスケールのWan-2.1-T2Vモデルシリーズで、CoDMDは50ステップの教師を4ステップの学生に蒸留し、VBenchスコア84.46と84.87を達成しながら、およそ25$times$ Speed-upを達成した。
論文 参考訳（メタデータ） (2026-06-20T10:33:14Z) - Lightweight SAR Ship Detection via Contrastive Distillation [0.19116784879310023]
本研究は,SARドメインにおけるトランスフォーマーをベースとしたSAR船の知識蒸留フレームワークを提案する。
このフレームワークは、2段階の1段および変圧器ベースの検出器のための共通領域レベルの蒸留インターフェースを提供するという意味で、アーキテクチャに依存しない。
SSDD と HRSID のベンチマーク実験により,提案手法により2段検出器の大幅な改良が得られた。
論文 参考訳（メタデータ） (2026-05-27T21:57:28Z) - D-FINE: Redefine Regression Task in DETRs as Fine-grained Distribution Refinement [37.78880948551719]
D-FINEは、優れた位置決め精度を実現する強力なリアルタイム物体検出器である。
D-FINEは、FDRとGlobal Optimal Localization Self-Distillation(GO-LSD)の2つの重要なコンポーネントから構成される。
Objects365で事前訓練された場合、D-FINE-L / Xは57.1% / 59.3%APとなり、既存のリアルタイム検出器を全て上回っている。
論文 参考訳（メタデータ） (2024-10-17T17:57:01Z) - Relation DETR: Exploring Explicit Position Relation Prior for Object Detection [26.03892270020559]
本稿では,DETR(Detection TRansformer)の収束性と性能を向上させる手法を提案する。
我々の手法であるRelation-DETRは、プログレッシブ・アテンション・リファインメントのための位置関係埋め込みを構築するエンコーダを導入している。
汎用データセットとタスク固有のデータセットの両方の実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2024-07-16T13:17:07Z) - Recurrent Glimpse-based Decoder for Detection with Transformer [85.64521612986456]
本稿では,Recurrent Glimpse-based deoder (REGO)について紹介する。
特に、REGOは多段階のリカレント処理構造を用いて、DETRの注目が徐々に前景オブジェクトに焦点を合わせるのを助ける。
REGOは、異なるDETR検出器の性能を最大7%向上させる。
論文 参考訳（メタデータ） (2021-12-09T00:29:19Z) - Anchor-free Oriented Proposal Generator for Object Detection [59.54125119453818]
オブジェクト指向物体検出はリモートセンシング画像解釈において実用的で困難な課題である。
今日では、指向性検出器は主に水平方向の箱を中間体として使用し、それらから指向性のある箱を導出している。
本稿では,ネットワークアーキテクチャから水平ボックス関連操作を放棄する,AOPG(Anchor-free Oriented Proposal Generator)を提案する。
論文 参考訳（メタデータ） (2021-10-05T10:45:51Z) - G-DetKD: Towards General Distillation Framework for Object Detectors via
Contrastive and Semantic-guided Feature Imitation [49.421099172544196]
そこで本研究では,すべてのピラミッドレベルにまたがる特徴ペア間のソフトマッチングを自動的に行う,意味誘導型特徴模倣手法を提案する。
また,異なる特徴領域間の関係で符号化された情報を効果的に捉えるために,コントラスト蒸留を導入する。
本手法は,(1)フレームワークのコンポーネントを別々に使用した場合に,既存の検出KD技術よりも優れた性能を発揮する。
論文 参考訳（メタデータ） (2021-08-17T07:44:27Z) - Oriented R-CNN for Object Detection [61.78746189807462]
本研究では、オブジェクト指向R-CNNと呼ばれる、効果的でシンプルなオブジェクト指向オブジェクト検出フレームワークを提案する。
第1段階では,高品質な指向型提案をほぼ無償で直接生成する指向型領域提案ネットワーク(指向RPN)を提案する。
第2段階は、R-CNNヘッダーで、興味のある領域(オブジェクト指向のRoI)を精製し、認識する。
論文 参考訳（メタデータ） (2021-08-12T12:47:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。