通过模仿异构辅助网络特征学习转向
计算机视觉与模式识别
2018-11-08 v1
摘要
许多现有端到端转向角预测模型的训练严重依赖转向角作为监督信号。若不从更丰富的上下文中学习,这些方法易受急弯道路、复杂交通状况、强阴影和剧烈光照变化的影响。本文通过异构辅助网络特征模仿——一种新颖且有效的训练方法,显著提升了预测的准确率和鲁棒性,该方法为我们提供了除转向方向外更丰富的上下文信号。具体而言,我们通过从多个执行相关但不同任务(如图像分割或光流估计)的异构辅助网络中蒸馏多层知识来训练转向角预测模型。与多任务学习不同,我们的方法无需在目标集上对相关任务进行昂贵标注。这是通过对目标集应用现有的现成网络,并在变换后模仿其在不同层中的特征来实现的。辅助网络在训练后被丢弃,不影响模型的运行效率。我们的方法在 Udacity 和 Comma.ai 上达到了新的 SOTA,分别比先前最佳高出 12.8% 和 52.1%。在 Berkeley Deep Drive (BDD) 数据集上也展示了令人鼓舞的结果。
引用
@article{arxiv.1811.02759,
title = {Learning to Steer by Mimicking Features from Heterogeneous Auxiliary Networks},
author = {Yuenan Hou and Zheng Ma and Chunxiao Liu and Chen Change Loy},
journal= {arXiv preprint arXiv:1811.02759},
year = {2018}
}
备注
8 pages, 6 figures; Accepted by AAAI 2019; Our project page is available at https://cardwing.github.io/projects/FM-Net