《表1 使用蒸馏后Resnet18作为主干网络的DeepLabV3+可行驶区域分割结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于知识蒸馏的车辆可行驶区域分割算法研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

知识蒸馏模型压缩算法在图像语义分割中有2处应用：一处是将DeepLabV3+网络模型的主干网络加载预蒸馏训练后的Resnet18权重参数（序号3）；另一处是直接更改DeepLabV3+模型分割训练的损失函数。使用Resnext29为主干网络构建的DeepLabV3+模型作为教师网络，使用Resnet18为主干网络构建的DeepLabV3+模型作为学生网络进行蒸馏训练（序号4）。本文分别对这2种方式以及2种方式相结合（序号5）的训练模型进行车辆可行驶区域的分割训练以及测试。分割结果如表1所示，两种单独优化方式均可以提升以Resnet18作为主干网络构建的DeepLabV3+分割模型的精度，而把2种方式结合起来可以进一步提高分割精度，将直接可行驶区域交并比IOU1提高约2%，间接可行驶区域交并比IOU2提高约4%，整体像素准确率提高约1.5%。