摘要

现有的最先进RGB-D显著目标检测方法普遍采用双流架构来处理RGB-D数据，即需要独立的子网络专门处理深度信息。这种设计不可避免地带来额外的计算开销与内存消耗，且在测试阶段依赖深度数据也限制了RGB-D显著性检测在实际应用中的推广。为解决上述两大难题，本文提出一种深度知识蒸馏模块——A2dele，通过网络预测与注意力机制作为两个桥梁，实现深度流到RGB流的知识迁移。首先，通过自适应地最小化深度流与RGB流生成的预测结果之间的差异，实现对像素级深度知识向RGB流有效传递的精准控制；其次，为将定位知识传递至RGB特征，我们促使深度流的空洞预测结果与RGB流的注意力图之间保持一致性。由此，我们构建了一种轻量化架构，在测试阶段完全无需使用深度数据。在五个基准数据集上的大量实验表明，所提出的RGB流在性能上达到当前最先进水平，相较最优基线方法，模型规模显著缩小76%，推理速度提升12倍。此外，A2dele可无缝集成至现有RGB-D网络中，在保持原有性能的前提下大幅提升运行效率——在DMRA网络上使帧率（FPS）提升近两倍，在CPFP网络上提升达三倍。