지역 간 유사도 정제를 통한 도로 마킹 세그멘테이션

우리는 도로 마킹 세그멘테이션 작업을 위해 대규모의 심층 교사 네트워크에서 훨씬 더 작고 가벼운 학습자 네트워크로 지식을 정제하는 문제를 연구한다. 본 연구에서는 교사 모델로부터 장면 구조에 대한 '지식'을 보다 효과적으로 학습자 모델로 전달할 수 있는 새로운 지식 정제(Knowledge Distillation, KD) 방법을 탐구한다. 제안하는 방법은 상호 영역 유사도 기반 지식 정제(Inter-Region Affinity KD, IntRA-KD)로, 주어진 도로 장면 이미지를 다양한 영역으로 분해하고, 각 영역을 그래프 내의 노드로 표현한다. 이후 각 노드 간의 특성 분포 유사도를 기반으로 쌍별 관계를 설정하여 상호 영역 유사도 그래프를 구성한다. 교사 네트워크로부터 구조적 지식을 학습하기 위해, 학습자 모델은 교사가 생성한 그래프와 일치하도록 학습된다. 제안된 방법은 경량 모델을 학습자로, ResNet-101을 교사로 사용하여 ApolloScape, CULane, LLAMAS 세 가지 대규모 도로 마킹 세그멘테이션 벤치마크에서 유망한 성능을 보였다. 기존의 정제 방법에 비해 모든 경량 모델에서 일관되게 더 높은 성능 향상을 가져왔다. 본 연구의 코드는 https://github.com/cardwing/Codes-for-IntRA-KD 에서 공개되어 있다.