用于道路标线分割的区域间亲和蒸馏
计算机视觉与模式识别
2020-04-14 v1
摘要
我们研究将知识从大型深度教师网络蒸馏至小得多的学生网络以完成道路标线分割任务的问题。本文探索一种新颖的知识蒸馏（KD）方法，能够更有效地从教师模型向学生模型迁移关于场景结构的“知识”。我们的方法称为区域间亲和 KD（IntRA-KD）。它将给定道路场景图像分解为不同区域，并将每个区域表示为图中的一个节点。随后基于节点间特征分布相似性建立两两关系，形成区域间亲和图。为从教师网络学习结构知识，要求学生匹配教师生成的图。所提方法在三个大规模道路标线分割基准（即 ApolloScape、CULane 和 LLAMAS）上展现出有前景的结果，其以多种轻量模型为学生、以 ResNet-101 为教师。与先前蒸馏方法相比，IntRA-KD 在所有轻量模型上一致带来更高的性能增益。我们的代码见 https://github.com/cardwing/Codes-for-IntRA-KD。
引用
@article{arxiv.2004.05304,
title = {Inter-Region Affinity Distillation for Road Marking Segmentation},
author = {Yuenan Hou and Zheng Ma and Chunxiao Liu and Tak-Wai Hui and Chen Change Loy},
journal= {arXiv preprint arXiv:2004.05304},
year = {2020}
}
备注
10 pages, 10 figures; This paper is accepted by CVPR 2020; Our code is available at https://github.com/cardwing/Codes-for-IntRA-KD