基于雷达的道路使用者分类与基于循环神经网络集成的新颖性检测
机器学习
2019-09-12 v1 机器人学
信号处理
机器学习
摘要
基于雷达的道路使用者分类是面向自动驾驶应用的一项重要但仍具挑战性的任务。传统汽车雷达传感器的分辨率导致稀疏的数据表示，难以通过后续信号处理恢复。在本文中，源自一对一直化范式的分类器集成被一对一全校正分类器所丰富。它们被用于高效地对个体交通参与者进行分类，并识别在训练期间未呈现给分类器的隐藏对象类别。对于集成中的每个分类器，从总计98个特征的总集中确定其个体特征集。由此，与先前方法相比整体分类性能得以提升，并且新颖类别能够被更准确地识别。此外，所提出的结构能够给出关于个体类别识别中特征重要性的新见解，这对于新算法和传感器需求的开发至关重要。
引用
@article{arxiv.1905.11703,
title = {Radar-based Road User Classification and Novelty Detection with Recurrent Neural Network Ensembles},
author = {Nicolas Scheiner and Nils Appenrodt and Jürgen Dickmann and Bernhard Sick},
journal= {arXiv preprint arXiv:1905.11703},
year = {2019}
}
备注
8 pages, 9 figures, accepted paper for 2019 IEEE Intelligent Vehicles Symposium (IV), Paris, France, June 2019