注意力瓶颈：迈向可解释的深度驾驶网络
计算机视觉与模式识别
2020-05-12 v1 机器学习
机器人学
摘要
深度神经网络是自动驾驶汽车行为预测和运动生成的关键组件。其主要缺点之一是缺乏透明度：它们应当为触发特定行为的原因提供易于解释的依据。我们提出了一种名为 Attentional Bottleneck 的架构，旨在提高透明度。我们的核心思想是将视觉注意力（用于识别模型正在使用输入的哪些方面）与信息瓶颈（使模型仅使用输入中重要的方面）相结合。这不仅提供了稀疏且可解释的注意力图（例如，仅关注场景中的特定车辆），而且在不牺牲模型准确性的情况下增加了这种透明度。事实上，我们发现将 Attentional Bottleneck 应用于 ChauffeurNet 模型时准确性略有提升，而应用传统的视觉注意力模型时准确性反而下降。
引用
@article{arxiv.2005.04298,
title = {Attentional Bottleneck: Towards an Interpretable Deep Driving Network},
author = {Jinkyu Kim and Mayank Bansal},
journal= {arXiv preprint arXiv:2005.04298},
year = {2020}
}