摘要

本文旨在通过利用视频帧之间的时序冗余性，加速视频流处理任务（如目标检测与语义分割）。与传统依赖运动对齐（如光流）进行特征传播与变形的方法不同，本文提出一种新颖的知识蒸馏框架，命名为Delta蒸馏（Delta Distillation）。在该框架中，学生模型学习教师模型在时序上中间特征的变化规律。我们证明，由于视频帧内部存在的时序冗余，这些时序变化能够被高效地蒸馏。在推理阶段，教师模型与学生模型协同工作以生成预测结果：教师模型仅在关键帧上提取初始表示，而学生模型则通过迭代估计并应用后续帧的特征增量（delta）来逐步更新预测。此外，本文还探讨了多种设计选择，以学习最优的学生模型架构，其中包括端到端可学习的架构搜索方法。在涵盖多种架构（包括最高效的模型）的广泛实验中，我们验证了Delta蒸馏在视频语义分割与目标检测任务中，显著提升了准确率与效率之间的权衡表现，达到了新的最先进水平。最后，我们发现，作为副产物，Delta蒸馏还能有效提升教师模型本身的时序一致性。