La detección de objetos basada en la Destilación de Conocimiento puede mejorar las capacidades y el rendimiento de las redes 5G y 6G en diversos ámbitos, como vehículos autónomos, vigilancia inteligente y realidad aumentada. La integración de la detección de objetos con técnicas de Destilación de Conocimiento se espera que desempeñe un papel fundamental en la realización del potencial completo de estas redes. Este estudio presenta la Destilación de Conocimiento Compartido (Shared-KD) como una solución para superar los desafíos de optimización causados por disparidades en las características entre capas cruzadas entre las redes maestra y estudiante. Las brechas significativas en las características de nivel intermedio entre profesores y estudiantes presentan un obstáculo considerable para la eficacia de la destilación. Para abordar este problema, nos inspiramos en el aprendizaje colaborativo en la educación del mundo real, donde los profesores trabajan juntos para preparar lecciones y los estudiantes participan en el aprendizaje entre pares. Basándonos en este concepto, se destacan nuestras contribuciones innovadoras en la construcción del modelo de la siguiente manera: (1) Un módulo de aumento de conocimiento del profesor: se propone este módulo para combinar características de profesores de nivel inferior, facilitando la transferencia de conocimiento del profesor al estudiante. (2) Se introduce un módulo de aprendizaje mutuo del estudiante para permitir que los estudiantes aprendan unos de otros, imitando el concepto de aprendizaje entre pares en el aprendizaje colaborativo. (3) El Módulo de Compartir del Profesor combina características de profesores de nivel inferior: se describe la funcionalidad específica del módulo de aumento de conocimiento del profesor, que implica combinar características de profesores de nivel inferior. (4) El proceso de transferencia en múltiples pasos se puede optimizar fácilmente debido a la brecha mínima entre las características: el enfoque propuesto descompone el proceso de transferencia de conocimiento en múltiples pasos, que se pueden optimizar fácilmente debido a la brecha mínima entre las características involucradas en cada paso. Shared-KD utiliza pérdidas de características simples sin pesos adicionales en la transformación, lo que resulta en un proceso de destilación eficiente que se puede combinar fácilmente con otros métodos para una mayor mejora. La efectividad de nuestro enfoque se valida a través de experimentos en tareas populares como la detección de objetos y la segmentación de instancias.