面向车道分割的标签引导注意力蒸馏

当代分割方法通常基于深度全卷积网络（FCNs）。然而，具有渐增长感受野的逐层卷积不擅长捕捉如场景中车道标记之类的长距离上下文。本文中，我们通过设计一种在训练分割网络时利用标签结构的蒸馏方法来解决该问题。其直觉在于真实车道标注本身展现内部结构。我们将结构提示广播至教师网络中，即训练一个以车道标签图作为输入并尝试将其复制为输出的教师网络。随后，教师网络的注意力图被用作学生分割网络的监督。嵌入了标签结构信息的教师网络明确知晓卷积层应将其视觉注意力置于何处。所提方法命名为标签引导注意力蒸馏（LGAD）。结果表明，学生网络借助 LGAD 学习显著优于单独学习。由于教师网络在训练后被弃用，我们的方法不增加推理时间。注意 LGAD 可轻易嵌入任意车道分割网络。