CustomKD论文阅读 - 实践
2025-10-02 13:54 tlnshuju 阅读(0) 评论(0) 收藏 举报
2025.3
1.摘要
background
大型视觉基础模型（LVFMs）如DINOv2和CLIP在各种任务上表现出色，但由于其巨大的计算成本和参数量，很难部署在资源受限的边缘设备（如手机）上。边缘模型（如MobileNetV3）计算高效，但性能有限。知识蒸馏（Knowledge Distillation, KD）是一种很有前景的技术，可以将大型教师模型（LVFMs）的知识迁移到小型的学生模型（边缘模型）上，以在不增加推理成本的情况下提升其性能。LVFMs（通常是ViT架构）和边缘模型（通常是CNN架构）之间存在巨大的模型容量和架构差异。这种“模型差异”（model discrepancy）导致现有的知识蒸馏方法效果不佳。论文观察到一个关键现象：当教师模型从一个较小的版本（如ViT-S）升级到一个更大的版本（如ViT-L）时，教师自身的性能提升很明显，但借助蒸馏带给学生模型的性能增益却非常有限。
innovation
核心思想:为了解决模型差异困难，论文提出了一种名为CustomKD的新型知识蒸馏方法。其核心洞见是，不应强迫学生去模仿难以理解的教师特征，而应该主动地将教师的特征“定制”成学生更容易理解的形式。
创新方法:CustomKD通过一个两阶段交替进行的训练过程来实现这一目标：
1.特征定制阶段 (Feature Customization):此阶段的目标是让教师说“学生的语言”。它借用学生模型的头部“分类器”（classifier head），来对教师模型的特征进行微调。具体来说，它在固定的教师主干网络之上，训练一个投影层，使得投影后的特征能够被学生的分类器很好地识别。这样就生成了一套为学生量身定制的、任务相关的“学生友好型”特征。
2.知识蒸馏阶段 (Knowledge Distillation):在这个阶段，学生模型被要求同时模仿两种来自教师的知识：一种是教师模型原始的、任务通用的特征；另一种是经过第一阶段生成的、定制化的、任务相关的特征。
2. 手段 Method
CustomKD的流程是“特征定制”和“知识蒸馏”两个阶段在每个训练周期（epoch）中交替进行。
整体流程:
输入:一个预训练好的大型教师模型（LVFM），一个预训练好的小型学生模型（边缘模型），少量有标签数据 DL，大量无标签数据 Du。
输出:一个性能得到显著提升的学生模型。
阶段一: 特征定制 (Feature Customization Stage)
目标:将教师的原始特征 ft 转换成学生更容易理解的定制化特征 f̃t。
具体做法:
1.冻结教师模型的主干网络 θt^e。
2.“借用”学生模型的头部 θs^h，并将其冻结。
3.在这两者之间插入一个可训练的投影层 θp^h。
4.启用有标签数据 DL 进行训练，目标是让 θs^h(θp^h(ft)) 的分类结果正确。在这个过程中，只更新投影层 θp^h 的参数。
此阶段的输出:训练好的投影层 θp^h，它可以将任何教师特征 ft 转换为定制特征 f̃t。
阶段二: 知识蒸馏 (Knowledge Distillation Stage)
目标:更新学生模型（主干 θs^e 和头部 θs^h），让它同时学习两种知识。
具体做法:
1.学生模型 θs 的总损失函数由四部分加权构成：
定制特征模仿损失 (L_f̃t):让学生的特征 fs 与教师的定制特征 f̃t 在特征空间上尽可能接近（如使用MSE损失）。这部分是学习任务相关的特定知识。
通用特征模仿损失 (L_ft):让学生的特征 fs 经过一个投影层后，与教师的原始特征 ft 尽可能接近。这部分是学习任务通用的通用知识。
监督损失 (LL):在有标签信息 DL 上的标准交叉熵损失。
无监督损失 (LU):在无标签内容 Du 上的熵最小化损失，以利用无标签数据提升模型泛化能力。
2.通过反向传播，同时更新学生模型的主干 θs^e、头部 θs^h 以及用于模仿通用特征的投影层。
此阶段的输出:更新后的学生模型 θs。
这两个阶段在整个训练过程中反复交替，从而逐步提升学生模型的性能。
3. 实验 Experimental Results
实验数据集:
无监督域适应 (UDA):OfficeHome, DomainNet。
半监督学习 (SSL):CIFAR-100, ImageNet (1% 和 10% 标签子集)。
实验结论:
核心有效性验证:在UDA和SSL的多个基准测试中，CustomKD均显著优于传统的UDA方法和多种知识蒸馏基线手段，证明了其有效性和先进性。（见Table 1, 2, 3, 4）
动机验证实验:实验先验证了论文的动机：随着教师模型从ViT-S增大到ViT-L，传统KD方法带给学生的收益停滞不前，而CustomKD则能持续带来显著的性能提升，成功解除了模型差异障碍。（见Figure 1）
跨主干网络扩展性实验:为了证明CustomKD在面对更大的模型差异时效果更佳，实验比较了仅运用通用特征损失 (L_ft) 和同时利用两种特征损失 (L_ft + L_f̃t) 的效果。结果表明，当教师和学生的模型差异增大时，引入定制化特征损失带来的性能增益也越大。（见Table 5）
学生分类头重要性实验:实验证明，在特征定制阶段使用“学生的分类头”比使用一个随机初始化的头效果更好。CKA（Centered Kernel Alignment）相似度分析和t-SNE可视化进一步表明，这样做能更有效地对齐师生模型的特征表示空间。（见Table 6, Figure 3）
消融实验:实验分析了不同损失函数的贡献以及交替训练频率的影响。结果显示，通用知识和定制化知识的学习都至关重要，两者结合效果最好。同时，每轮都进行一次交替（1:1）的训练频率能达到最佳性能。（见Table 7）
4. 总结 Conclusion
一个简单、有效且无推理成本的方案，能将大型基础模型的强大能力高效地迁移到实际应用的边缘模型中。就是当教师（LVFM）与学生（边缘模型）之间存在巨大的模型和架构差异时，传统知识蒸馏方法会失效。CustomKD通过“特征定制”这一创新步骤，让教师的知识变得对学生更“友好”，从而有效消除了这一核心痛点。这