轻型车道检测CNN通过自我注意蒸馏学习的代码（源自ICCV 2019）

此存储库还包含Tensorflow实现 。 （SCNN-Tensorflow） 新闻 已发布。 （在CULane测试集中可以达到73.1 F1措施） ， 和已发布。 主要特点： （1）ENet-label是基于的轻量级车道检测模型，并采用了自注意蒸馏技术（更多细节请参见本文）。 （2）与最新的SCNN相比，它的参数减少了20倍，运行速度提高了10倍，并且在CULane测试集上达到了72.0 （F1量度）（优于SCNN，达到了71.6）。 它还在TuSimple测试集中达到96.64％的准确性（优于SCNN，达到96.53％），在BDD100K测试集中达到36.56％的准确性（优于SCNN，达到35.79％）。 （3）应用ENET-SAD到数据集产量0.635地图在，这是比其实现0.500地图基线算法好得多。 详细信息可以在找到。 （不要犹豫，尝试我们的模型！！！） 支持多GPU培训。 只需在global_config.py中更改BATCH_SIZE和GPU_NUM，然后使用CUDA_VISIBLE_DEVICES="0,1,2,3" python file_name.p