用于传感器融合的优化门控深度学习架构
机器学习
2018-10-11 v1 机器学习
摘要
传感器融合是一项关键技术，它集成多种感官输入以在自动驾驶和机器人控制等许多应用中实现鲁棒决策。深度神经网络已在近期一系列研究中被用于传感器融合。其中，提出了所谓的 netgated 架构，其相比传统卷积神经网络（CNN）展现出更优的性能。在本文中，我们通过提出两种进一步优化的架构来解决基线 negated 架构的若干局限：一种采用（特征）组级融合权重的粗粒度门控架构，以及一种同时利用组级和特征级融合权重的两阶段门控架构。利用驾驶模式预测和人体活动识别数据集，我们展示了所提门控架构带来的显著性能提升，以及它们在存在传感器噪声和故障时的鲁棒性。
引用
@article{arxiv.1810.04160,
title = {Optimized Gated Deep Learning Architectures for Sensor Fusion},
author = {Myung Seok Shim and Peng Li},
journal= {arXiv preprint arXiv:1810.04160},
year = {2018}
}
备注
10 pages, 5 figures. Submitted to ICLR 2019