Un método de destilación del conocimiento basado en la estructura dimensional para el aprendizaje intermodal

Área de la Ciencia:

• Ciencias de la computación Ciencias de la computación
• La inteligencia artificial es inteligencia artificial.
• Aprendizaje automático Aprendizaje automático.

Sus antecedentes:

• El aprendizaje intermodal (CML) a menudo se basa en la transferencia de conocimientos de modalidades de datos de alta calidad a modalidades de baja calidad.
• Las razones subyacentes de la efectividad de la transferencia de conocimiento en la LMC no se comprenden bien.

Objetivo del estudio:

• Investigar la relación entre la discriminabilidad de las características y la estructura dimensional (DS) en la LMC.
• Proponer un nuevo método de destilación de conocimiento basado en DS para mejorar el rendimiento de la LMC, especialmente cuando la calidad de los datos difiere significativamente.

Principales métodos:

• Analizando la correlación entre la discriminabilidad de características y el DS mediante el examen de características de modalidades de alta y baja calidad.
• Expresar DS usando la distribución espacial de las características intermedias y la correlación de las características de salida según el canal.
• Desarrollar una técnica de destilación de conocimiento basada en DS que imponga una distribución uniforme de características intermedias e independencia de canales en la modalidad de baja calidad.

Principales resultados:

• Las características de alta calidad exhiben un DS superior en comparación con las características de baja calidad.
• El método de destilación de conocimiento basado en DS propuesto mejora significativamente el rendimiento de la LMC.
• Introdujo el conjunto de datos IIS-ISCAS para el reconocimiento de objetivos marinos, con modalidades de óptica y radar emparejadas.

Conclusiones:

• La estructura dimensional de las características es crucial para la discriminabilidad y la transferencia efectiva de conocimiento en la LMC.
• La destilación del conocimiento basado en DS ofrece un enfoque prometedor para mejorar la CML, especialmente en escenarios con calidad de datos desequilibrada.
• El conjunto de datos IIS-ISCAS facilitará una mayor investigación en CML para el reconocimiento de objetivos marinos.