《表3 不同解码器结构对车道线检测性能的影响》

  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

《基于目标特征蒸馏的车道线检测》

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

%

由于不同的解码器对编码器的特征分类预测结果恢复和细化的程度不同，因此设计了不同的解码器网络增加到SCNN方法上，并探究蒸馏其中车道线边界细化信息对车道线检测性能的影响。如表3所示，第2列显示采用3个阶段进行上采样的解码器时的实验结果；第3列显示了采用5个阶段的解码器网络的结果；第4列显示使用文献[33]提出的平滑解码器网络后的结果，由于其解码器设计的复杂度最高，并且使用了通道注意力模块，能够学习并生成注意力权重向量，通过调整通道权重改善解码器对车道线像素的分类概率，从而提高车道线检测性能，蒸馏了平滑解码器信息后的车道线检测结果在测试集上的F1得分为74.1%，相比原始的SCNN在测试集上的F1得分提高了2.5%，同时也说明了本文提出的目标特征蒸馏方法的有效性。