O som, como uma das propriedades intrínsecas dos objetos, pode fornecer informações valiosas para a detecção de alvos. Os métodos atuais que somente monitoram o som ambiente para a localização de alvos apresentam baixa robustez. Para resolver esse problema, foi proposto uma rede de detecção de alvos multimodal auto-supervisionada com transferência de conhecimento entre características interníveis. Primeiramente, para resolver o problema da capacidade limitada de aprendizagem entre características do mesmo nível das redes professor e aluno, foi desenvolvida uma perda de transferência de conhecimento entre características interníveis com múltiplos professores baseada em fusão por atenção, que funde características profundas e superficiais do aluno por meio da fusão por atenção para aprender de forma mais eficiente as características intermediárias correspondentes do professor, extraindo mais conhecimento, combinada com divergência KL para alinhar as características intermediárias das redes professor e aluno. Além disso, para resolver o problema da falta de informações de localização, foi adicionada uma perda de destilação de localização, fazendo com que a distribuição de caixas delimitadoras do aluno ajuste-se à distribuição de caixas delimitadoras do professor para obter mais informações de localização. A rede foi treinada no conjunto de dados multimodal audiovisual MAVD, onde o valor mAP da rede apresentou melhorias de 6,71%, 14,36% e 10,32% respectivamente em valores de IOU 0,5, 0,75 e média em relação à rede base. Os resultados experimentais comprovaram a superioridade desta rede de detecção.

multimodal; destilação de conhecimento; detecção de alvos; auto-supervisão; aprendizado profundo