用于可解释自动驾驶系统的图像Transformer的开发与测试
计算机视觉与模式识别
2021-10-13 v1
摘要
在过去十年中，深度学习（DL）方法已成功应用于计算机视觉（CV）应用。然而，基于DL的CV模型通常被视为黑箱，因为它们缺乏可解释性。这种黑箱行为加剧了用户的不信任，因此阻碍了DLCV模型在自动驾驶任务中的广泛部署，尽管其中一些模型表现出优于人类的表现。因此，为自动驾驶任务开发可解释的DL模型至关重要。可解释的DL模型不仅可以增强用户对自主性的信任，还可以作为诊断方法，在系统开发阶段识别模型的任何缺陷和弱点。在本文中，我们提出了一种基于“Transformer”（一种最先进的基于自注意力的模型）的可解释端到端自动驾驶系统，将车载摄像头采集的图像中的视觉特征映射为引导潜在驾驶动作并附带相应解释。该模型对图像的全局特征实现软注意力。结果表明，我们提出的模型有效，因为它在正确预测动作和解释方面以显著优势优于基准模型，且计算成本更低。
关键词
引用
@article{arxiv.2110.05559,
title = {Development and testing of an image transformer for explainable autonomous driving systems},
author = {Jiqian Dong and Sikai Chen and Shuya Zong and Tiantian Chen and Mohammad Miralinaghi and Samuel Labi},
journal= {arXiv preprint arXiv:2110.05559},
year = {2021}
}
备注
Under review for presentation at TRB 2022 Annual Meeting