CLRKDNet: Knowledge Distillation을 활용한 차선 검출 가속화

도로 차선은 지능형 차량의 시각 인식 시스템에서 중요한 구성 요소로, 안전한 주행에 핵심적인 역할을 합니다. 차선 검출 작업에서는 정확성과 실시간 성능 간의 균형을 맞추는 것이 필수적이지만, 기존 방법들은 종종 둘 중 하나를 희생합니다. 이러한 절충점을 해결하기 위해, 우리는 정확성과 실시간 성능을 균형 있게 조화시키는 효율적인 모델인 CLRKDNet을 소개합니다. 최신 모델인 CLRNet은 다양한 데이터셋에서 뛰어난 성능을 보여주었으나, 피처 피라미드 네트워크(FPN)와 다중 계층 검출 헤드 구조로 인해 계산 부담이 크다는 단점이 있습니다. 우리의 방법은 FPN 구조와 검출 헤드를 단순화하고, 이들을 새로운 교사-학생 디스틸레이션 과정과 새로 도입된 디스틸레이션 손실 함수 시리즈를 통합하여 재설계하였습니다. 이 조합은 추론 시간을 최대 60%까지 줄이면서 CLRNet과 유사한 검출 정확성을 유지합니다. 정확성과 속도 사이의 전략적 균형으로 인해 CLRKDNet은 자율 주행 응용 프로그램에서 실시간 차선 검출 작업에 대한 실현 가능한 해결책이 됩니다.