《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》
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%。
图表编号 | XD00121931500 严禁用于非法目的 |
---|---|
绘制时间 | 2020.01.24 |
作者 | 周苏、易然、郑淼 |
绘制单位 | 同济大学、同济大学、同济大学 |
更多格式 | 高清、无水印(增值服务) |