Core Concepts
강건한 특징 지식 증류(RFKD) 프레임워크를 통해 경량 균열 세그멘테이션 모델의 정확성과 강건성을 향상시킬 수 있다.
Abstract
이 논문은 균열 세그멘테이션 모델의 성능 향상을 위한 강건한 지식 증류 프레임워크를 제안한다.
기존 지식 증류 방법은 정확성만 향상시킬 뿐 강건성은 개선하지 못했다.
제안하는 RFKD 프레임워크는 교사 모델의 중간 특징 맵과 최종 출력을 활용하여 학생 모델이 강건한 특징을 학습할 수 있도록 한다.
또한 깨끗한 이미지와 노이즈가 포함된 이미지를 혼합하여 입력함으로써 학생 모델의 강건성을 향상시킨다.
이와 함께 경량 Transformer 기반 균열 세그멘테이션 모델 PCT를 설계하여 RFKD 프레임워크의 성능을 검증하였다.
실험 결과, RFKD 프레임워크를 통해 학생 모델의 정확성과 강건성이 크게 향상되었다.
Stats
제안한 RFKD 방식을 통해 학생 모델의 mDS가 기존 방식 대비 최대 62% 향상되었다.
RFKD 방식으로 학습한 PCT 모델은 다른 경량 모델 대비 최대 59.2% 높은 mDS를 보였다.
Quotes
"강건한 특징 지식 증류(RFKD) 프레임워크를 통해 경량 균열 세그멘테이션 모델의 정확성과 강건성을 향상시킬 수 있다."
"제안하는 RFKD 프레임워크는 교사 모델의 중간 특징 맵과 최종 출력을 활용하여 학생 모델이 강건한 특징을 학습할 수 있도록 한다."
"깨끗한 이미지와 노이즈가 포함된 이미지를 혼합하여 입력함으로써 학생 모델의 강건성을 향상시킨다."