arXiv cs.AI· Mingzhuo Li, Guang Li, Longzhen Li, Ren Togo, Keisuke Maeda, Takahiro Ogawa, Miki Haseyama·· 12 小时前AI 评分24
基于双路径 patch 选择的前景感知数据集蒸馏方法
Foreground-Aware Dataset Distillation via Dual-Path Patch Selection
AI 导读
研究者提出前景感知数据集蒸馏框架，用 Grounded SAM2 估计每张图像的前景占比，并按类别分布导出路由阈值，将图像分流到候选裁剪选择路径或直接变换路径。在 CIFAR-10、CIFAR-100、ImageNette 和 ImageWoof 上，该方法在两种网络架构、三种蒸馏预算下几乎全部设置优于基线 RDED。
正文 · AI 翻译
摘要：本文提出了一种前景感知的数据集蒸馏方法，执行内容自适应的双路径图像块选择。随着训练大规模深度模型的计算成本不断上升，数据集蒸馏已成为一种有前景的方法，用于构建紧凑的合成数据集，以保留大型原始数据集中的知识。尽管基于优化的方法能够取得强劲的性能，但它们往往带来相当大的计算和内存开销，并且可能生成在不同架构上泛化能力较差的合成图像。近期基于非优化的方法通过从真实图像块构建蒸馏图像来缓解这些局限。然而，它们僵化的图像块构建策略可能要么保留冗余的背景内容，要么丢弃重要的前景结构。为解决这一问题，我们提出了一个前景感知的数据集蒸馏框架，采用内容自适应的双路径图像块选择。我们首先使用 Grounded SAM2 估计每张图像的前景占比，并从相应的类别分布中推导出类别特定的路由阈值。每张图像被路由到两条互补路径之一：对于前景相对稀疏的图像，走候选裁剪选择路径；对于前景相对占主导的图像，走直接变换路径。这种双路径机制平衡了前景的集中与保留，在数据集层面减少冗余背景内容的同时保持前景对象的结构完整性。在 CIFAR-10、CIFAR-100、ImageNette 和 ImageWoof 上，使用两种网络架构和三种蒸馏预算进行的实验表明，所提方法在几乎所有评估设置中均优于基线方法 RDED。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2601.02727 [cs.CV] |
| （或本版本的 arXiv:2601.02727v2 [cs.CV]） | |
| https://doi.org/10.48550/arXiv.2601.02727 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Guang Li [查看邮箱]
[v1]
2026年1月6日星期二 05:44:02 UTC（10,297 KB）
[v2]
2026年10月27日星期二 01:39:55 UTC（8,940 KB）
来源：arXiv cs.AI · arxiv.org