摘要

车道是智能车辆视觉感知系统的重要组成部分，在安全导航中发挥着关键作用。在车道检测任务中，平衡精度与实时性能至关重要，但现有的方法往往在这两者之间做出妥协。为了解决这一权衡问题，我们引入了CLRKDNet，这是一种简化模型，能够在保证检测精度的同时实现实时性能。最先进的模型CLRNet已经在多个数据集上展示了卓越的性能，但由于其特征金字塔网络（Feature Pyramid Network, FPN）和多层检测头架构的存在，计算开销较大。我们的方法简化了FPN结构和检测头，并重新设计了它们，结合了一种新颖的教师-学生蒸馏过程以及新引入的一系列蒸馏损失。这种组合将推理时间最多减少了60%，同时保持了与CLRNet相当的检测精度。这种对精度和速度的战略平衡使得CLRKDNet成为自动驾驶应用中实时车道检测任务的一个可行解决方案。