HyperAIHyperAI
il y a 2 mois

CLRKDNet : Accélérer la détection des lignes avec la distillation de connaissances

Qi, Weiqing ; Zhao, Guoyang ; Ma, Fulong ; Zheng, Linwei ; Liu, Ming
CLRKDNet : Accélérer la détection des lignes avec la distillation de connaissances
Résumé

Les voies de circulation sont des composants essentiels des systèmes de perception visuelle dans les véhicules intelligents, jouant un rôle crucial pour la navigation en toute sécurité. Dans les tâches de détection de voies, il est crucial de trouver un équilibre entre la précision et les performances en temps réel, bien que les méthodes existantes sacrifient souvent l'une au profit de l'autre. Pour résoudre ce compromis, nous présentons CLRKDNet, un modèle simplifié qui équilibre la précision de détection avec les performances en temps réel. Le modèle d'avant-garde CLRNet a démontré des performances exceptionnelles sur diverses bases de données, mais son coût computationnel est important en raison de sa structure de réseau pyramidal de caractéristiques (Feature Pyramid Network, FPN) et de son architecture à tête de détection multicouche. Notre méthode simplifie à la fois la structure FPN et les têtes de détection, en les redessinant pour intégrer un nouveau processus d'enseignement par distillation étudiant-enseignant ainsi qu'une série de pertes de distillation nouvellement introduites. Cette combinaison réduit le temps d'inférence jusqu'à 60 % tout en maintenant une précision de détection comparable à celle du CLRNet. Cet équilibre stratégique entre précision et vitesse rend CLRKDNet une solution viable pour les tâches de détection de voies en temps réel dans les applications de conduite autonome.

CLRKDNet : Accélérer la détection des lignes avec la distillation de connaissances | Articles de recherche récents | HyperAI