基于知识蒸馏的车辆可行驶区域分割算法研究

基于知识蒸馏的车辆可行驶区域分割算法研究

期刊：汽车技术

时间：2020

研究院：同济大学

关键词：知识蒸馏可行驶区域图像分割卷积神经网络

前言

2014 年 ，Long J[1] 等人提出使用全卷积神经网络 （Fully Convolutional Networks，FCN）对图像进行语义分割，这是卷积神经网络在图像分割领域的首次成功应用

Olaf Ronneberger[2]等人提出一种用于医疗图像分割的 U 形网络 U-net，该方法最大的贡献在于提出了将图像编码与解码进行融合的思想

2018 年，何恺明[3]从另一个角度对图片进行语义分割，提出掩膜区域卷积神经网络（Mask Region-based Convolutional Neural Network， Mask R-CNN）模型

DeepLabV3+分割网络

图 2a 为 DeepLabV3 的空间金字塔池化网络结构，该结构使用串行结构进行编码，将原图压缩为 1/8 的特征图后再使用空间金字塔池化结构丰富特征，然后将 8 倍的上采样映射回原图。这种结构忽略了浅层的特征信息，分割的损失比较大。图 2b 为典型的编码解码结构，可以将浅层信息与深层信息充分融合，但是这种方法使得网络结构更加复杂，难以实现。因此，DeepLabV3+将两者的优点进行结合，提出基于空间金字塔池化的编码解码语义分割网络结构，如图 2c 所示。