计算机工程

作者：于洋洋, 吴敦全, 陈程立诏

单位：1. 青岛大学计算机科学技术学院，山东 青岛 2660712. 中国石油大学(华东)计算机科学与技术学院，山东 青岛 257061

关键词：红绿蓝-深度(RGB-D)显著性目标检测,稀疏自蒸馏,对比学习

基金：国家自然科学基金(62172246); 山东省高等学校青年创新团队发展计划(2021KJ062)

近年来，红绿蓝-深度(RGB-D)显著性目标检测技术取得了巨大进展，性能得到显著提高。然而，该技术依赖于复杂且资源密集的网络架构，无法应用于资源受限环境。虽然，轻量级网络在尺寸和速度上有所改善，但往往以牺牲性能为代价。为了克服上述限制，提出了一种新颖的轻量化解决方案，以实现网络参数的精简和性能的提升。本文提供了一种有效的通用训练策略，提出稀疏对比自蒸馏技术。该技术旨在对现有的RGB-D显著性检测模型进行压缩和加速，同时增强模型性能。本文方法由两个关键技术组成：稀疏自蒸馏和对抗性对比学习。稀疏自蒸馏排除显著性检测模型中的非必要参数，同时保留关键参数，从而实现更高效和有效的显著性预测。而对抗性对比学习通过纠正潜在错误，进一步完善自蒸馏过程，以提高模型的整体性能。在NJUD、NLPR、LFSD、ReDWeb-S和COME15K等基准数据集上的实验结果显示，与现有SOTA(State-of-The-Art)方法相比，本文方法能够产生更为准确的显著性检测结果。此外，本文方法与现有SOTA轻量级RGB-D显著性检测模型的比较结果进一步证实了本文方法在不牺牲性能的前提下能够在模型尺寸减小和性能提升之间实现平衡。

来源：2025年第10期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第10期