CLRKDNet: Beschleunigung der Spurerkennung durch Wissensdistillierung

Fahrstreifen sind wesentliche Bestandteile der visuellen Wahrnehmungssysteme in intelligenten Fahrzeugen und spielen eine entscheidende Rolle bei der sicheren Navigation. Bei der Aufgabe der Fahrstreifenerkennung ist es essentiell, Genauigkeit mit Echtzeit-Leistung auszubalancieren, doch bestehende Methoden opfern oft das eine für das andere. Um diese Spannung zu lösen, stellen wir CLRKDNet vor, ein optimiertes Modell, das die Erkennungs-Genauigkeit mit der Echtzeit-Leistung ausgleicht. Das neueste Modell CLRNet hat außergewöhnliche Leistungen auf verschiedenen Datensätzen gezeigt, jedoch ist sein Rechenaufwand erheblich aufgrund seiner Feature-Pyramid-Network (FPN) und mehrschichtigen Detektionskopf-Architektur. Unsere Methode vereinfacht sowohl die FPN-Struktur als auch die Detektionsköpfe und gestaltet sie neu, um einen innovativen Lehrer-Schüler-Distillationsprozess sowie eine neu eingeführte Reihe von Distillationsverlusten zu integrieren. Diese Kombination verringert die Inferenzzeit um bis zu 60%, während sie eine Erkennungs-Genauigkeit beibehält, die sich mit CLRNet vergleichen lässt. Diese strategische Balance zwischen Genauigkeit und Geschwindigkeit macht CLRKDNet zu einer praktikablen Lösung für Echtzeit-Fahrstreifen-Erkennungsaufgaben in autonomen Fahrzeuganwendungen.