11:11arXiv cs.LG@Mohammed Arif Mainuddin, Najifa Tabassum, Omar Ibne Shahid, Riasat KhanHumP-KD框架提出一种混合不确定性感知多阶段渐进知识蒸馏方法,用于高效火灾分类。在FlameVision(8600张)和Dataset-II(31309张)两个数据集上测试,从Swin-Tiny和ViT-Base两个冻结教师模型蒸馏知识到轻量MobileViT-S学生模型。在Dataset-II上,HumP-KD达到平均F1分数0.9876±0.0063,显著高于MobileViT-S基线(0.9537±0.0351),t检验p=0.0195。学生模型仅4.94M参数、19.01Mb大小,相对于Swin-Tiny参数减少5.7倍,CPU FPS达37.72。论文HumP-KDMobileViT-SSwin-TinyViT-Base知识蒸馏火灾分类推荐理由:直接提升小模型火灾分类精度原文