From 29eefafba31abcef3af2f09d82f5cbf3519dcd5d Mon Sep 17 00:00:00 2001 From: Paweł Dybiec Date: Mon, 12 Feb 2018 09:00:38 +0100 Subject: wiecej tekstu, blisko final --- Chapters/chapter3.tex | 90 +++++++++++++++++++++++++++++++++++++++++++-------- 1 file changed, 77 insertions(+), 13 deletions(-) (limited to 'Chapters/chapter3.tex') diff --git a/Chapters/chapter3.tex b/Chapters/chapter3.tex index 000eec0..e18e293 100644 --- a/Chapters/chapter3.tex +++ b/Chapters/chapter3.tex @@ -1,22 +1,86 @@ -\chapter{Sieć pod Łazik} -TODO: obrazki aktywacji dla przeuczonej sieci +\chapter{Wyniki sieci} +Wytrenowana sieć potrafi przejechać zarówno cały tor na symulatorze jak i +podziemny garaż instytutu. Na dodatek sieć trenowana pod symulator uczyła się, +tylko jeździć przeciwnie do ruchu wskazówek zegara, a po ustawieniu modelu w przeciwnym +kierunku potrafi przejechać cały tor bezproblemowo. -Po co wgl był ten symulator? - jakby siec nie działała na symulatorze -to raczej nie zadziała na prawdziwych danych +\section{Na co zwraca uwagę} +Aktywność sieci dla obrazków została wygenerowana za pomocą metody +Integrated Gradients\footnote{\href{https://arxiv.org/abs/1703.01365}{https://arxiv.org/abs/1703.01365}}. -\section{Co trzeba było dodać/zmienić} -Obsługa rosa i rosbagów +Co było oczywiste w przypadku symulatora,sieć zwraca głównie uwagę na miejsca, +gdzie pojawiają się granice drogi\ref{sim_act}. Co ciekawe reaguje też na ścianę +tworzącą horyzont, ponieważ zmienia wygląd w zależności od odległości i może +pomóc w orientacji (na tej trasie). +\begin{figure} + \centering + \fbox{ + \scalebox{0.5}{\includegraphics{img/sim_img.png}} + } + \label{sim_img} + \caption{Obraz z symulatora} +\end{figure} +\begin{figure} + \centering + \fbox{ + \scalebox{0.5}{\includegraphics{img/sim_img_act.png}} + } + \label{sim_act} + \caption{Na co sieć patrzy, symulator} +\end{figure} +\begin{figure} + \centering + \fbox{ + \scalebox{0.5}{\includegraphics{img/real_img.png}} + } + \label{real_img} + \caption{Obraz z nagrania} +\end{figure} +\begin{figure} + \centering + \fbox{ + \scalebox{0.5}{\includegraphics{img/real_img_act.png}} + } + \label{real_act} + \caption{Na co sieć patrzy, nagranie} +\end{figure} -\section{Problemy} -Przetestowanie jest bardziej ryzykowne +Z kolei dla łazika intensywność w najbardziej aktywnym miejscu jest dużo mniejsza, +co oznacza że nie sugeruje się tylko jednym miejscem. Ale mimo tego najbardziej +zwraca uwagę na kratkę na podłodze, która mogła by wystarczyć do nawigacji. -Pominięcie sporej ilości nagrań i mierzenie MSE na nich +\section{W porównaniu do nagrania} +Na wykresie \ref{plot_ang} widać że sieć (pomarańczowy kolor), mniej gwałtownie +zmienia szybkość obrotu niż kierowca (kolor niebieski). Ale w podobnych momentach +zauważa, że należy skręcić. +\begin{figure} + \centering + \fbox{ + \scalebox{0.5}{\includegraphics{img/real_data_ang.png}} + } + \label{plot_ang} + \caption{Prędkość obrotowa: sieć vs kierowca} +\end{figure} -\section{Dane} -Jak długie przejazdy, i ile ich: 180GB z jednego dnia, łącznie 240GB +\section{Wpływ architektury} +W przypadku sieci pod symulator, usunięcie niektórych warstw konwolucyjnych +pozwalało modelowi utrzymać się na torze, a taka sama zredukowana architektura +nie radziła sobie dobrze w przypadku nagrań z prawdziwego łazika. Natomiast +usunięcie nieliniowości z warstw konwolucyjnych tak okaleczyła zdolności sieci, +że nie potrafiła się utrzymać na wirtualnym torze. -Mamy bufor głębokości dodatkowo +Z kolei usunięcie dropoutu, bardzo szybko powodowało overfitting i radziła sobie +dobrze tylko na danych uczących. Z kolei dodanie warstw liniowych na końcu nie +poprawiało, ani nie pogorszało zbytnio wydajności sieci, przynajmniej dla +nagrań z symulatora. Widocznie większość interesujących cech już jest znaleziona +w ramach konwolucji, i dla tak prostych danych nie pomaga zwiększenie modelu. -Skupialiśmy się na tym żeby widział kratkę (kąty proste) +Co ciekawe w przypadku wytrenowanego już modelu do symulatora zredukowanie +rozdzielczości obrazów dziesięciokrotnie w każdym wymiarze(z rozdzielczości +320x160 do 32x16), +i zwykłe przeskalowanie w górę przed zewaluowaniem wystarczy żeby urzymać się +na torze. +Na dodatek sieć uczona na obrazie kolorowym bezproblemowo działa, gdy +zredukuje się obraz do skali szarości a następnie powtórzy kanał trzykrotnie. -- cgit 1.4.1