在复杂的不利天气条件（例如雾、雨和低光）下进行海上目标检测对于无人水面艇（USV）导航至关重要。然而，由于环境干扰和计算资源有限，实现高检测精度和效率仍然是一项挑战。本文提出了W-MTD，一种针对基于知识蒸馏的抗天气和轻量级海上目标检测设计的任务特定蒸馏框架。在细粒度分布细化（D-FINE）检测模型基础上，该方法构建了一个针对海洋场景的双路径知识蒸馏框架。通过特征相似性约束和解耦蒸馏的协同优化，它促使从教师模型到轻量级学生模型的多层次知识转移，减轻了模型压缩导致的特征降解。设计了一种多场景增强策略，以平衡不同气候条件下的收敛。实验表明，与仅在晴天数据上训练的基线教师模型相比，W-MTD的学生模型在三种不利天气条件下的检测精度提高了7.0-13.9%，同时保持了与晴天表现相当。学生模型具有仅4M参数和7 GFLOPs，相对于其他实时检测器展现了良好的性能和效率，表明其适合无人水面艇的部署潜力。
Ge等人（周四）研究了这个问题。