刘一帆的channel distillation CWD同样支持，但是要引入对应的线性层，如果要使用的话，值得注意一下,Crescent的分支和流程就到这里,单卡目前还支持不了，强烈支持双卡完成实验。知识蒸馏的两个温度系数，loss和loss之间的系数，那就是另外一个故事了，如果CWD效果好于Holistic Loss,建议引入新的对抗网络了，真的训练不动🐔，大致就是这样，有什么需要的讨论的来504就行，伟大的圈圈博士会回答你一切的。
这个是互学习机制在跨域数据集上的探索，常见的跨模态融合的方式，无非以下三种方式
- 第一种 RGB+Thermal 直接在输入维度上进行concat的操作的方式
- 第二种 红外端 可见光端放上两个骨架网络作为特征提取的手段，然后再利用中间某个模块相融合
- 第三种 RGB Thermal 两个网络相互解耦合，然后对两个网络中的输出进行决策，属于结果融合一种 目前，跨模态融合的算法大致分为以上三种方式，能不能提出另外一种新的范式，针对上述跨模态数据,我们采用互学习机制， 加上对抗学习策略进行交叉重建的方式，通过设计不同的网络，将可见光蒸馏的知识，通过logits方式传递给红外的手段，通过这种方式，我们期望得到的结果如下
- 可见光和红外光在新的范式下，各自的指标都有所提升
- 可见光通过红外机制的引导，在夜间的情况下也能获取较好的分割效果
- 红外光通过可见光较好地的纹理细节信息，也能够在部分指标中得到相应的提升
- CPS半监督范式(郭世博，近期会更新）
cfg 最简单的配置文件，目前已支持.py文件的解析功能，全局解析 3.28完成 配置文件所有的Lambda 系列全部改成pi/pa/cps/bce 以便更加方便地调整
loss 新增半监督cps范式，
log 也是采用mmcv中方式，
数据增强有一些问题，圈姐可以加一个多尺度训练类似的
之前说DML_Segmentation 范式，后端也可以加决策融合的方式，根据光照条件自动调整对应输出 当然也可以单个网络的输入。
1、（不知道是不是这个意思） 一种极其简单到发指的most-sure策略：https://ieeexplore.ieee.org/document/8897705 2 代码的实现方式有一个问题，训练和测试的类能不能耦合到一起