面向驾驶意图识别的深度神经网络设计
机器学习
2024-11-22 v1 神经与进化计算
摘要
驾驶意图识别研究越来越依赖于深度神经网络。深度神经网络在许多不同任务上取得了顶级性能，但明确分析网络架构的复杂性和性能并非普遍做法。因此，本文应用神经架构搜索来研究深度神经网络架构对计算能力有限的真实世界安全关键应用的影响。我们探索了一个预定义的搜索空间，包含三种能够处理序列数据的深度神经网络层类型（长短期记忆网络、时序卷积网络和时序 Transformer 层），以及不同数据融合策略对驾驶意图识别性能的影响。针对两个驾驶意图识别数据集，评估了八种搜索策略。对于这两个数据集，我们观察到没有一种搜索策略能明确地采样到更好的深度神经网络架构。然而，与原始手动设计的网络相比，执行架构搜索确实提高了模型性能。此外，我们观察到模型复杂度的增加与更高的驾驶意图识别性能之间没有关系。结果表明，无论深度神经网络层类型或融合策略如何，多种架构都能产生相似的性能。
引用
@article{arxiv.2402.05150,
title = {Designing deep neural networks for driver intention recognition},
author = {Koen Vellenga and H. Joe Steinhauer and Alexander Karlsson and Göran Falkman and Asli Rhodin and Ashok Koppisetty},
journal= {arXiv preprint arXiv:2402.05150},
year = {2024}
}