本文介绍了一种知识蒸馏方法——MOCHA（多模态对象感知跨结构对齐），该方法将特定领域的多模态语义从大规模视觉语言模型（例如 LLaVa）迁移到轻量级的视觉专用目标检测学生模型（例如 YOLO）。MOCHA 利用一个转换模块将学生模型的特征映射到一个公共空间，并使用双目标损失函数训练学生模型和变换模型，以增强局部对齐和全局关系一致性。与专注于密集或全局对齐的现有方法不同，MOCHA 在对象级别运行，无需修改教师模型或在推理时输入文本即可实现高效的语义迁移。本研究在少样本环境下的四个个性化检测基准测试中验证了该方法。结果表明，与基准模型相比，MOCHA 的性能持续提升，平均得分提升了 +10.1。尽管 MOCHA 架构紧凑，但它的性能却堪比更大型的多模态模型，证明了其在实际应用中的适用性。
