訂閱
糾錯(cuò)
加入自媒體
當(dāng)前位置： OFweek 人工智能網(wǎng)   >  正文

行為克隆 | 自動(dòng)駕駛汽車的端到端學(xué)習(xí)

該模型具有以下層：

①標(biāo)準(zhǔn)化層（硬編碼）除以127．5并減去1。

②3個(gè)卷積層，24個(gè)，36個(gè)，48個(gè)過(guò)濾器，5 ＊ 5內(nèi)核和2個(gè)步幅。

③2個(gè)卷積層，64個(gè)濾波器，3 ＊ 3內(nèi)核和步幅1。

④展平層

⑤3個(gè)完全連接的層，輸出尺寸為100，50，10

⑥和輸出轉(zhuǎn)向角的最終輸出層。

研究人員將使用Mean Squared Error（MSE）作為損失函數(shù)和優(yōu)化器，并進(jìn)行EarlyStopping回調(diào)。研究人員試圖訓(xùn)練它40個(gè)epoch，它在36個(gè)epoch停止。

訓(xùn)練60個(gè)epoch的模型，結(jié)果如下：

突出的特點(diǎn)：

1． 在每個(gè)圖層中，對(duì)要素圖的激活進(jìn)行平均。

2．最平均的地圖按比例放大到下面圖層的地圖大小。使用反卷積完成放大。

3．然后將來(lái)自較高級(jí)別的放大的地圖與來(lái)自下層的平均地圖相乘。

4．重復(fù)步驟2和3直到達(dá)到輸入。

5．具有輸入圖像大小的最后一個(gè)掩模被標(biāo)準(zhǔn)化為0．0到1．0的范圍。

以下是可視化圖，顯示輸入圖像的哪些區(qū)域?qū)W(wǎng)絡(luò)的輸出貢獻(xiàn)最大。

在應(yīng)用上述方法之后，下面是顯著的特征結(jié)果：

圖突出的車道標(biāo)記

結(jié)論

PilotNet是一個(gè)非常強(qiáng)大的網(wǎng)絡(luò)，從駕駛員學(xué)習(xí)輸出正確的轉(zhuǎn)向角度。對(duì)顯著物體的檢查表明，PilotNet學(xué)習(xí)了對(duì)人類“有意義”的特征，同時(shí)忽略了與駕駛無(wú)關(guān)的攝像機(jī)圖像中的結(jié)構(gòu)。此功能源自數(shù)據(jù)，無(wú)需手工標(biāo)記。

<上一頁(yè)  1  2  
聲明： 本文由入駐維科號(hào)的作者撰寫，觀點(diǎn)僅代表作者本人，不代表OFweek立場(chǎng)。如有侵權(quán)或其他問(wèn)題，請(qǐng)聯(lián)系舉報(bào)。

發(fā)表評(píng)論

共0條評(píng)論，0人參與

請(qǐng)輸入評(píng)論內(nèi)容...

請(qǐng)輸入評(píng)論/評(píng)論長(zhǎng)度6~500個(gè)字

您提交的評(píng)論過(guò)于頻繁，請(qǐng)輸入驗(yàn)證碼繼續(xù)

  • 看不清，點(diǎn)擊換一張  刷新

暫無(wú)評(píng)論

暫無(wú)評(píng)論

    掃碼關(guān)注公眾號(hào)
    OFweek人工智能網(wǎng)
    獲取更多精彩內(nèi)容
    文章糾錯(cuò)
    x
    *文字標(biāo)題：
    *糾錯(cuò)內(nèi)容：
    聯(lián)系郵箱：
    *驗(yàn) 證 碼：

    粵公網(wǎng)安備 44030502002758號(hào)