基于剪枝与知识蒸馏的自动驾驶多任务模型压缩
计算机视觉与模式识别
2025-11-11 v1
摘要
自动驾驶系统依赖全景感知来联合处理目标检测、可驾区域分割和车道线分割。尽管多任务学习是有效整合这些任务的方法，但不断增加的模型参数和复杂度使得在车载设备上部署困难。为此，本文提出一种多任务模型压缩框架，结合任务感知安全剪枝与特征级知识蒸馏。我们的安全剪枝策略将基于Taylor展开的通道重要性与梯度冲突惩罚相结合，以保留重要通道，同时移除冗余且冲突的通道。为缓解剪枝后的性能下降，进一步设计一种任务头无关的蒸馏方法，将教师模型的中间骨干网络和编码器特征传递给学生模型作为指导。在BDD100K数据集上的实验表明，压缩后模型参数减少32.7%，分割性能几乎无损，检测性能仅小幅下降（召回率-1.2%，mAP50-1.8%），且仍能以32.7 FPS实时运行。这些结果表明，剪枝与知识蒸馏的结合为多任务全景感知提供了有效的压缩方案。
引用
@article{arxiv.2511.05557,
title = {Compressing Multi-Task Model for Autonomous Driving via Pruning and Knowledge Distillation},
author = {Jiayuan Wang and Q. M. Jonathan Wu and Ning Zhang and Katsuya Suto and Lei Zhong},
journal= {arXiv preprint arXiv:2511.05557},
year = {2025}
}