Глубокое обучение
Deep-Way: архитектура нейронной сети для планирования пути беспилотных наземных транспортных средств - обзор
Сельское хозяйство является основой человеческой цивилизации, и с тех пор, как человеческий интеллект появился в форме робототехники, возможности в области сельского хозяйства увеличивались в геометрической прогрессии, а с учетом того, что ИИ теперь поддерживает все сегменты технической и нетехнической областей, приложения теперь достигли новых высоты. Исследователи предлагают новые идеи и методы для внесения некоторых необходимых изменений в предметную область. Одним из них является введение Deep-Way. Давайте погрузимся в сегмент глубокого обучения, в котором будут рассмотрены некоторые важные меры в области сельского хозяйства.
Одним из первых процессов автоматизации глобального планирования пути был способ кластеризации сгенерированных данных с последующим выполнением определенных действий. На основе видеозаписей с дронов Ariel кластеры будут формироваться на основе культур, сегментируя различные культуры на определенной земле, а затем необходимо будет выполнить итерацию планирования ...
Теперь от этого есть лекарство. Введение Deep-Way. Новый алгоритм глубокого обучения, который будет выполнять планирование пути на основе среды посевов рядков. Я хотел бы обсудить некоторые важные аспекты этих исследований и методологии их применения. Я бы пошел менее математическим путем и позволил читателям (на любом уровне исследований) ярко понять метод, подразумеваемый в том же самом.
НАБОР ДАННЫХ:
Поскольку такого набора данных для экспериментов не было, авторы создают свои собственные [упоминается в [1, 2]]. Они разработали алгоритм для создания сеток формы H * W, со случайным числом строк, обозначенным N (максимальное значение для строк считалось 50, а min равняется 20) . В дополнение к сгенерированным наборам данных они использовали некоторые изображения, полученные со спутниковых снимков Google, состоящие из сценариев посевов на основе строк. Эти изображения были обработаны вручную для извлечения сеток и путевых точек. Здесь говорится о применении алгоритма в реальной жизни.
МЕТОДОЛОГИЯ:
Итак, учитывая сеточную карту пропашных культур, Deep-Way оценивает положения различных конечных точек в системе на основе самого набора данных изображений. Авторы утверждают, что более ранние методы были в основном жесткими, и одной из ключевых точек Deep-way является то, что он использует метод глубокого обучения для изучения карты сетки урожая и прогнозирует все путевые точки одновременно с их корректировками, используя особенности всего изображения.
а. Оценка путевой точки:
Во-первых, они разделили входное изображение на несколько небольших частей. Без этого деления показатель достоверности будет стремиться к нулю (алгоритм ничего не поймет на картинке). Меньшие части будут в k раз меньше и приведут к меньшему взаимодействию с пикселями. Теперь алгоритм был разработан таким образом, что они вычисляют проблему как проблему регрессии. Он анализирует входную карту (из набора данных Google и сгенерированных грубых линий) вместе с наложенными ячейками сетки и вычисляет вероятность размещения путевой точки и компенсацию соответствующих координат в виде небольших расстояний по осям x и y. .
Для получения окончательной оценки путевой точки из диапазона вероятностей они реализовали доверительный порог (tc), и с помощью этого порога находят все вероятности, которые превышают этот порог. Наконец, используя алгоритм подавления, выбирается самая высокая из всех вероятностей и выбирается путевая точка.
б. Сетевой дизайн:
Полностью сверточная нейронная сеть (DeepWay) напрямую задействована в сценарии. На входе будет карта сетки (очевидно, тензор). Затем DeepWay вычисляет другие значения путевых точек на пути, по которому мы должны следовать. Каждый модуль состоит из серии сверточных 2D-слоев с функцией активации Mish. Чтобы уменьшить пространственное измерение, каждый модуль заканчивается слоем из двух ступеней.
Первые два измерения после приложений N измерений будут уменьшены на (k + 1) измерений. Чтобы соответствовать размерам, к окончательному результату вставляется транспонированный сверточный слой с шагом 2. Наконец, после конкатенации выходной слой вычисляется с помощью операции свертки 1X1 с сигмоидной и tanh-функцией для первого и последнего двух каналов соответственно.
c. Уточнение путевой точки и создание пути:
По приведенному выше алгоритму мы достигаем точек в пространстве. Теперь нам нужно найти путь. Мы группируем предсказанные точки с помощью DBSCAN (лучше всего для кластеризации групп, которые расположены близко друг к другу). Некоторые из них могут даже остаться не включенными в кластеры из-за крайне малой формы сюжета. Для них мы проецируем точки перпендикулярно рядам (как PCA). Угол между рядами: измеряется с использованием техники преобразования Хафа (классическое компьютерное зрение - используется для рисования линий).
[Быстрый вопрос]: если линия может использовать преобразование Хафа, тогда зачем возиться с нейронной сетью?
Ответ: Что ж, преобразование Хафа требует некоторых параметров, определенных задолго до этого, но это невозможно, когда мы рассматриваем большой объем данных и с такими нарушениями. Для удобства нам понадобится DeepWay.
После упорядочивания точек применяется метод уточнения, при котором все повторяющиеся точки удаляются, а отсутствующие точки помещаются. Затем, чтобы получить окончательный порядок, две группы можно сгруппировать в A и B, представляя начало и конец строки. После того, как последняя группа будет достигнута, они сохранятся в виде А-В-В-А. Теперь, чтобы вычислить глобальный путь от одной путевой точки до другой, они использовали алгоритм A *. Это определит кратчайший путь от кластера A до B.
Все еще есть проблема? Ознакомьтесь с отзывами!
[Примечание: я сохранил архитектуру блога, аналогичную архитектуре исследовательской статьи, так что даже если вы хотите прочитать статью полностью, вы будете ознакомлены со структурой бумага.]
