如何解决图像回归 - 从图像估计传感器 数据集原因和目标进展和结果问题
我正在尝试使用图像来预测赛车游戏的传感器数据。作为一个新人,我有很多问题。感谢所有帮助/建议。
数据集
数据集看起来像:
-
图像:来自保险杠视图的 160x120 灰度 - 以下是一些图像的示例
-
sensors:21 个元素的向量,都归一化在 [0,1] 之间,代表 3 个传感器。这些传感器是:
- 汽车和轨道轴之间的角度(传感器[0])
- 19 个测距仪,返回从汽车到轨道限制的距离,跨越 -pi 和 pi(传感器 [1:20 ])
- 距轨道轴的距离(传感器[20])
这是传感器矢量的示例。
[
0.01011692 # angle
0.059058 0.299319 0.23943199 0.20102449 0.18029851
0.1706595 0.165723 0.161521 0.15858699 0.15570949 0.15288849
0.150124 0.146348 0.142166 0.1347065 0.121228 0.102669
0.08340649 0.04948675 # rangefinders
0.00183716 # distance from center
]
我在数据集中生成了大约 50000 个条目。如果这还不够,增加数据集的大小是微不足道的,因为它的创建是一个完全自动化的过程。
原因和目标
最终目标是使用根据游戏帧预测的传感器实时驾驶汽车。这样就可以只使用图像来驱动汽车。
两种模型的估计质量都不够好,因为“司机”行为异常或不知道该怎么做。
进展和结果
我从一个普通的 CNN 开始:
model = Sequential()
model.add(Conv2D(8,(4,4),input_shape = (img_height,img_width,stack_depth),padding="same",activation = "relu"))
model.add(BatchNormalization())
model.add(Conv2D(8,strides = 2,activation = "relu"))
model.add(Conv2D(8,activation = "relu"))
model.add(Conv2D(16,(3,3),activation = "relu"))
model.add(BatchNormalization())
model.add(Conv2D(16,activation = "relu"))
model.add(Conv2D(32,activation = "relu"))
model.add(BatchNormalization())
model.add(Conv2D(32,activation = "relu"))
model.add(Activation("relu"))
model.add(Flatten())
model.add(Dense(192,activation="relu"))
model.add(Dense(96,activation="relu"))
model.add(Dense(48,activation="relu"))
model.add(Dense(output_size,activation="linear"))
adam = Adam(learning_rate=1e-5)
model.compile(loss="mean_squared_error",optimizer=adam)
完成训练后模型有
- 在“简单”轨道上的损失 (MSE) 为 0.02,在较难的轨道上为 >0.1(更详细)
- R^2 的简单指数为 0.7,困难指数为
因为CNN的性能不够我也尝试了一个Residual network。该模型要大得多(400 万个参数)并且在详细轨迹上的结果略好:
- 简单的损失 (MSE) 约为 0.03,困难的损失 (MSE) 约为 0.05
- R^2 指数为 0.7(简单),~0.5(困难)
几乎没有任何区别,如果不是普通的 CNN 在简单的轨道上表现更好。
如果您想要两种型号的代码都是 here。
问题
-
首先,我的代码有没有错误?
-
更大的数据集能否提高预测质量?
-
更高分辨率的图像和/或 RGB 有帮助吗?不同的相机角度(例如相机设置得更高)也有帮助吗?
-
数据集是在不同的轨道和“嘈杂”驾驶(从左到右旋转,随机断裂等)生成的。这是一个好主意还是只会减慢训练速度?
-
在我看来,传感器向量是(松散的)结构化的,并且值在某种程度上彼此重要。这个属性可以使用吗?
-
对于这种图像回归,是否有其他推荐的架构或策略?
提前感谢您的回答。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。