《表2 网络深度对比结果:基于深度视觉注意神经网络的端到端自动驾驶模型》
3)本文方法能够有效减少端到端自动驾驶中深度神经网络的层数,提高模型收敛速度。由于视觉注意力机制重点关注特征向量中一个较小的位置区域,即使较浅层的卷积神经网络也能够提取有效的视觉特征,因此在设计神经网络时,减少了卷积层的数量和模型的权重参数,加快了模型收敛。表2为各模型的网络深度,表3为训练时间和迭代次数。虽然DVANN增加了视觉注意层,但是本文所采用的模型的网络总层数相较于文献[4]和文献[5]明显减少,模型收敛迭代次数也大幅度降低,仅为文献[5]的2.5%。轻量级的模型不仅降低了对硬件条件的要求,而且有效地缩短了训练时间,节省计算资源和成本。
图表编号 | XD00163201000 严禁用于非法目的 |
---|---|
绘制时间 | 2020.07.10 |
作者 | 胡学敏、童秀迟、郭琳、张若晗、孔力 |
绘制单位 | 湖北大学计算机与信息工程学院、湖北大学计算机与信息工程学院、湖北大学计算机与信息工程学院、湖北大学计算机与信息工程学院、湖北大学计算机与信息工程学院 |
更多格式 | 高清、无水印(增值服务) |