本研究では、道路標示セグメンテーションというタスクにおいて、大規模な深層教師ネットワークから、はるかに小さな学生ネットワークへと知識を蒸留する問題に取り組む。本研究では、教師モデルから学生モデルへ「シーン構造」に関する知識をより効果的に転送できる、新たな知識蒸留（Knowledge Distillation, KD）手法を提案する。本手法は「領域間類似性知識蒸留」（Inter-Region Affinity KD, IntRA-KD）と呼ばれる。IntRA-KDは、与えられた道路シーン画像を複数の領域に分解し、それぞれの領域をグラフ上のノードとして表現する。その後、各ノード間の特徴分布の類似性に基づいてペアワイズな関係性を構築することで、領域間類似性グラフを構成する。教師ネットワークから構造的知識を学習させるために、学生モデルは教師が生成するグラフと一致するように学習する必要がある。本手法は、ResNet-101を教師モデルとして、さまざまな軽量モデルを学生モデルとして用いることで、ApolloScape、CULane、LLAMASの3つの大規模な道路標示セグメンテーションベンチマークにおいて、有望な結果を達成した。従来の蒸留手法と比較して、すべての軽量モデルにおいて一貫して高い性能向上を実現している。本研究のコードは、https://github.com/cardwing/Codes-for-IntRA-KD にて公開されている。