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效率低下，只有通過網(wǎng)絡(luò)的大容量來平衡，這使得它可以學(xué)習(xí)更復(fù)雜的功能。ConvLSTM通過利用門的卷積實現(xiàn)了稍好一點的效果，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CNNLSTM，它既能利用CNNs豐富的空間特征提取，又能利用LSTMs的時間特征表示，取得了比之前基線更好的效果。我們提出的方法在LSTM和注意機制中進一步增加了卷積，得到了最好的結(jié)果。

混淆矩陣如表2所示。注意，OFF的檢測精度明顯較高，而FLASHERS的檢測精度較低，因為這兩個類在數(shù)據(jù)集中分別表示過多和過少，即使使用分層抽樣方案，圖4d（a）這種不平衡自然會影響測試性能。

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

結(jié)論

在自動駕駛領(lǐng)域，檢測駕駛員的意圖是一項必不可少的任務(wù)，是預(yù)測諸如變道和停車等突發(fā)事件的必要手段。在本文中，研究人員解決了轉(zhuǎn)彎信號分類這一重要而尚未探索的問題。提出了一種能夠端到端的訓(xùn)練方法，能夠處理車輛的不同視點。提出的神經(jīng)網(wǎng)絡(luò)通過意圖、卷積和遞歸來推斷空間和時間特征，從而在幀級對一系列觀測信號的轉(zhuǎn)彎信號狀態(tài)進行分類。該實驗使用包含120多萬張實況圖像的數(shù)據(jù)集來訓(xùn)練和評估的方法。未來在這個問題上，研究領(lǐng)域?qū)�會擴展到緊急車輛信號，以及更多分類的功能（例如來自曝光不足的相機的圖像）的識別問題上。

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