论文解读：Key Points Estimation and Point InstanceSegmentation Approach for Lane Detection

这是一篇很有意思的车道线分割的论文，作者把车道线分割的问题转换成关键点检测，主要流程就是把512256的图片通过压缩网络变成6432的大小，然后经过4个Hourglass的沙漏模块（每一个沙漏模块都可以单独输出结果），获取关键点的置信度图+偏移量+特征向量，置信度不用说了，大小就是6432，偏移量是每一像素点对应偏移量两个值x,y，这个偏移量是用于纠正相对应于大网格的偏移，就是在6432的特征图上，一个像素对应原图8*8，所以x，y都是0~8之内的值（通过限制在0 ~1以内，然后乘以8就可以做到），然后特征向量是用于实例分割聚类用的，两个关键点的特征向量L1距离小于一定值，就可以判断为属于同一实例。
最后关于，网络蒸馏的损失，所谓网络蒸馏就是训练性能好的大的教师网络去教小网络。这篇文章的代码中，是拿每个Hourglass模型的最中间的特征图去计算蒸馏损失，因为作者认为最中间的那个特征图最小，最具有代表性，可以代表网络性能的相似度。