From 2b8c08fd2b2af81be7b3cd1eed031b5bfdeee09b Mon Sep 17 00:00:00 2001 From: Paweł Dybiec Date: Mon, 12 Feb 2018 16:09:25 +0100 Subject: głównie poprawki stylistyczne MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- Chapters/chapter3.tex | 58 +++++++++++++++++++++++++-------------------------- 1 file changed, 29 insertions(+), 29 deletions(-) (limited to 'Chapters/chapter3.tex') diff --git a/Chapters/chapter3.tex b/Chapters/chapter3.tex index e18e293..8991a9a 100644 --- a/Chapters/chapter3.tex +++ b/Chapters/chapter3.tex @@ -1,86 +1,86 @@ \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. +Wytrenowana sieć potrafi przejechać zarówno cały tor na symulatorze, jak i +podziemny garaż instytutu. Na dodatek sieć trenowana pod symulator uczyła się + jeździć tylko przeciwnie do ruchu wskazówek zegara. Po ustawieniu modelu w przeciwnym +kierunku, sieć potrafi bezproblemowo przejechać cały tor. \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}}. -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 +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). +pomóc w orientacji (na trasie treningowej). \begin{figure} \centering \fbox{ \scalebox{0.5}{\includegraphics{img/sim_img.png}} } - \label{sim_img} \caption{Obraz z symulatora} + \label{sim_img} \end{figure} \begin{figure} \centering \fbox{ \scalebox{0.5}{\includegraphics{img/sim_img_act.png}} } - \label{sim_act} \caption{Na co sieć patrzy, symulator} + \label{sim_act} \end{figure} \begin{figure} \centering \fbox{ \scalebox{0.5}{\includegraphics{img/real_img.png}} } - \label{real_img} \caption{Obraz z nagrania} + \label{real_img} \end{figure} \begin{figure} \centering \fbox{ \scalebox{0.5}{\includegraphics{img/real_img_act.png}} } - \label{real_act} \caption{Na co sieć patrzy, nagranie} + \label{real_act} \end{figure} -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. +Z kolei dla łazika intensywność w najbardziej aktywnym miejscu jest dużo mniejsza \ref{real_act}. +Oznacza to, że nie sugeruje się tylko jednym obszarem z kamery. Najbardziej jednak +zwraca uwagę na kratkę na podłodze, która mogłaby wystarczyć do nawigacji. \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. +Na wykresie \ref{plot_ang} widać, że sieć (pomarańczowy kolor) mniej gwałtownie +zmienia szybkość obrotu niż kierowca (kolor niebieski). Jednak sieć reaguje w podobnych momentach co kierowca na konieczność wykonania skrętu. + \begin{figure} \centering \fbox{ \scalebox{0.5}{\includegraphics{img/real_data_ang.png}} } - \label{plot_ang} \caption{Prędkość obrotowa: sieć vs kierowca} + \label{plot_ang} \end{figure} \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, +pozwalało modelowi nadal utrzymywać się na torze, natomiast taka sama zredukowana architektura +nie radziła sobie dobrze w przypadku nagrań z prawdziwego łazika. Z kolei +usunięcie nieliniowości z warstw konwolucyjnych ograniczyło zdolności sieci do takiego stopnia, że nie potrafiła się utrzymać na wirtualnym torze. -Z kolei usunięcie dropoutu, bardzo szybko powodowało overfitting i radziła sobie +Usunięcie dropoutu bardzo szybko powodowało overfitting i sieć 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. +nagrań z symulatora. Na tej podstawie można wywnioskować, że większość interesujących +cech obrazu została już znaleziona w ramach warstw konwolucyjnych, więc dla tak prostych danych zwiększenie modelu jest nieefektywne. -Co ciekawe w przypadku wytrenowanego już modelu do symulatora zredukowanie -rozdzielczości obrazów dziesięciokrotnie w każdym wymiarze(z rozdzielczości +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 +i zwykłe przeskalowanie w górę przed zewaluowaniem wystarczy, żeby utrzymać się na torze. -Na dodatek sieć uczona na obrazie kolorowym bezproblemowo działa, gdy -zredukuje się obraz do skali szarości a następnie powtórzy kanał trzykrotnie. +Ponadto, sieć uczona na obrazie kolorowym działa bezproblemowo, gdy +zredukuje się obraz do skali szarości. Jedyne, co należy wykonać to stworzyć obraz kolorowy, w którym każdy z kanałów RGB będzie powtórzonym obrazem wejściowym. -- cgit 1.4.1