用于自动驾驶直接感知的快速循环全卷积网络
计算机视觉与模式识别
2017-11-21 v2
摘要
深度卷积神经网络（CNNs）已被证明在包括自动驾驶子任务（如图像分割与物体分类）在内的多种任务上表现极佳。然而，为这些任务设计的网络通常需要大量训练数据与较长训练周期才能收敛。我们通过提出并比较三种小而计算代价低的深度端到端神经网络模型，来研究端到端驾驶网络设计背后的设计原理，这些模型直接从输入图像生成驾驶控制信号。与先前对自动驾驶任务进行分割的工作不同，我们的模型采用一种新颖的方法处理自动驾驶问题：利用深而窄的全卷积网络（FCNs）结合循环神经网络及低参数量，来解决预测转向与加速指令的复杂端到端回归任务。此外，我们加入了为分类优化的层，使网络能隐式学习图像语义。我们表明，所得网络使用的参数量比最新的可比端到端驾驶网络少3倍，比AlexNet变体少500倍，且收敛更快、损失更低，同时保持了对过拟合的鲁棒性。
引用
@article{arxiv.1711.06459,
title = {Fast Recurrent Fully Convolutional Networks for Direct Perception in Autonomous Driving},
author = {Yiqi Hou and Sascha Hornauer and Karl Zipser},
journal= {arXiv preprint arXiv:1711.06459},
year = {2017}
}
备注
CVPR 2018 Submission, 9 pages, 6 figures, 3 tables