.png){kind=icon}
返回
Knowledge Distillation-Driven Communication-Efficient Collaborative Perception for Autonomous Driving
.png){kind=icon}
PRE
AI
DOI：10.1109/tce.2026.3724707.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
协作感知是一种增强自动驾驶中3D目标检测鲁棒性和准确性的有前景方法。然而，依赖原始数据早期融合的典型方法需要极高的通信带宽，而使用压缩特征中间融合的方法往往导致显著的信息损失和检测性能下降。针对这一问题，本文提出了一种基于知识蒸馏范式的通信高效协作感知框架。核心思想是利用强大的早期融合模型作为教师来指导通信高效的中间融合学生模型的训练。具体而言，教师模型整合了空间-通道注意力模块以生成丰富且具有判别性的特征表示。学生模型采用轻量且有效的特征压缩方案，结合可学习量化和熵编码，以高效减少传输数据量。关键地，我们提出了一个自适应知识蒸馏损失函数，该函数选择性地转移与潜在目标相关的知识，从而抑制背景噪声并将学生的注意力与关键检测区域对齐。在OPV2V、V2X-Sim 2.0和DAIR-V2X数据集上的大量实验表明，我们的方法实现了具有竞争力的检测精度。此外，校园环境中的车载测试进一步验证了系统的实用性和鲁棒性。
Keyword:
Collaborative perception
knowledge distillation
communication bandwidth
期刊
IF:
10.9
论文数:
5.3K
被引数:
6.8K
机构
查看更多机构
引用论文
暂无论文信息