摘要： 为满足自动驾驶系统实时性要求，现有方法将编码器输出的特征图直接上采样进行像素级预测，从而忽略了解码器对于细节特征预测的重要性。为解决该问题，提出一种通用的基于目标特征蒸馏的车道线检测框架。首先，在使用直接上采样方式的网络中，增加一个具有较强特征预测能力的解码器；然后，在网络训练阶段，通过知识蒸馏技术将解码器生成的预测结果作为软目标，以使直接上采样分支学习到更为详尽的车道线信息，让其具有解码器的较强特征预测能力；最后，在网络推理阶段仅需使用直接上采样分支，而无需对解码器进行前向计算，因此相比现有模型在不增加额外计算成本的同时还能提高车道线检测性能。为验证本框架的有效性，将其应用到诸如ＳＣＮＮ、Ｄｅｅｐｌａｂｖ１、ＲｅｓＮｅｔ等多种主流的车道线分割方法上。实验结果表明：在不增加额外复杂度的条件下，所提出方法在Ｃｕｌａｎｅ数据集上获得了更高的Ｆ１Ｍｅａｓｕｒｅ评分。

关键词: 解码器；蒸馏；车道线检测；分类概率图

中图分类号: 

• TP391