본 논문은 대규모 비전-언어 모델(예: LLaVa)의 영역별 멀티모달 의미론을 경량 비전 전용 객체 감지 학생 모델(예: YOLO)로 이전하는 지식 증류 접근 방식인 MOCHA(Multi-modal Objects-aware Cross-arcHitecture Alignment)를 소개합니다. MOCHA는 학생 특징을 공통 공간으로 매핑하는 변환 모듈을 사용하며, 지역 정렬과 전반적인 관계 일관성을 모두 적용하는 이중 목표 손실을 통해 학생 및 변환기의 훈련을 유도합니다. 밀집 또는 전역 정렬에 초점을 맞춘 기존 접근 방식과 달리 MOCHA는 객체 수준에서 작동하므로 교사를 수정하거나 추론 시 텍스트 입력을 요구하지 않고도 의미론을 효율적으로 전송할 수 있습니다. 본 연구는 소수 샷 환경에서 네 가지 개인화된 감지 벤치마크에 대해 방법을 검증했습니다. 결과는 기준선에 비해 일관된 성능 향상을 보여주었으며, 평균 점수가 +10.1 향상되었습니다. MOCHA는 컴팩트한 아키텍처에도 불구하고 더 큰 멀티모달 모델과 동등한 성능을 달성하여 실제 배포에 적합함을 입증했습니다.
