比較FC－LSTM、ConvLSTM、cn－clstm以及文章提出的方法，上述指標(biāo)如表1所示。FC－LSTM性能最弱；這可以解釋為全連通層在提取空間特征時(shí)效率低下，只有通過(guò)網(wǎng)絡(luò)的大容量來(lái)平衡，這使得它可以學(xué)習(xí)更復(fù)雜的功能。ConvLSTM通過(guò)利用門(mén)的卷積實(shí)現(xiàn)了稍好一點(diǎn)的效果，這使得它更適合于空間特征提取。然而，它的內(nèi)存效率低下阻止了使用更深層次的架構(gòu)，因此限制了模型的容量。結(jié)合這兩種方法，得到了一個(gè)CNNLSTM，它既能利用CNNs豐富的空間特征提取，又能利用LSTMs的時(shí)間特征表示，取得了比之前基線更好的效果。我們提出的方法在LSTM和注意機(jī)制中進(jìn)一步增加了卷積，得到了最好的結(jié)果。

混淆矩陣如表2所示。注意，OFF的檢測(cè)精度明顯較高，而FLASHERS的檢測(cè)精度較低，因?yàn)檫@兩個(gè)類(lèi)在數(shù)據(jù)集中分別表示過(guò)多和過(guò)少，即使使用分層抽樣方案，圖4d（a）這種不平衡自然會(huì)影響測(cè)試性能。

網(wǎng)絡(luò)故障模式。（a）夜間明亮的燈光被錯(cuò)誤地歸類(lèi)為左轉(zhuǎn)。（b）遠(yuǎn)處車(chē)輛右側(cè)的明亮反光被誤列為右轉(zhuǎn)彎。（c）一輛不常見(jiàn)的車(chē)輛識(shí)別結(jié)果為沒(méi)有發(fā)出右轉(zhuǎn)信號(hào)。（d）姿態(tài)解碼錯(cuò)誤，輸出翻轉(zhuǎn)。（e）在載有單車(chē)的車(chē)輛上作假性左轉(zhuǎn)。

結(jié)論

在自動(dòng)駕駛領(lǐng)域，檢測(cè)駕駛員的意圖是一項(xiàng)必不可少的任務(wù)，是預(yù)測(cè)諸如變道和停車(chē)等突發(fā)事件的必要手段。在本文中，研究人員解決了轉(zhuǎn)彎信號(hào)分類(lèi)這一重要而尚未探索的問(wèn)題。提出了一種能夠端到端的訓(xùn)練方法，能夠處理車(chē)輛的不同視點(diǎn)。提出的神經(jīng)網(wǎng)絡(luò)通過(guò)意圖、卷積和遞歸來(lái)推斷空間和時(shí)間特征，從而在幀級(jí)對(duì)一系列觀測(cè)信號(hào)的轉(zhuǎn)彎信號(hào)狀態(tài)進(jìn)行分類(lèi)。該實(shí)驗(yàn)使用包含120多萬(wàn)張實(shí)況圖像的數(shù)據(jù)集來(lái)訓(xùn)練和評(píng)估的方法。未來(lái)在這個(gè)問(wèn)題上，研究領(lǐng)域?qū)��?huì)擴(kuò)展到緊急車(chē)輛信號(hào)，以及更多分類(lèi)的功能（例如來(lái)自曝光不足的相機(jī)的圖像）的識(shí)別問(wèn)題上。

參考：

［1］ Frossard D， Kee E， Urtasun R．DeepSignals： Predicting Intent of Drivers Through Visual Signals［J］． arXivpreprint arXiv：1905．01333， 2019．

［2］ icra2019．org