Waymo 研究院新作！
論文鏈接：https://arxiv.org/abs/2005.04298
摘要
深度神經網絡是自動駕駛汽車的行爲預測和運動生成的關鍵組成部分。它們的主要缺點之一是 缺乏 "透明性"：它們應該爲觸發某些行爲的原因提供易於解釋的理由。我們提出了一個名爲 "注意力瓶頸 (Attentional Bottleneck)"的架構，旨在提高透明性。我們的關鍵思想是將視覺注意力與信息瓶頸結合起來，視覺注意力可以識別模型正在使用的輸入的哪些方面，信息瓶頸則可以使模型只使用輸入中重要的方面。這不僅提供了稀疏和可解釋的注意力圖 (例如只關注場景中的特定車輛)，而且在不影響模型精度的情況下增加了這種透明性。事實上，我們發現將注意力瓶頸 (Attentional Bottleneck) 應用於 ChauffeurNet 模型時，精度略有提高，而傳統的視覺注意力模型則會降低精度。
圖表速覽
