--

Nvidia 自动驾驶系列论文和 blog 阅读笔记

https://arxiv.org/pdf/1604.07316v1.pdf
ttps://devblogs.nvidia.com/parallelforall/deep-learning-self-driving-cars/
https://devblogs.nvidia.com/parallelforall/explaining-deep-learning-self-driving-car/

Nvidia 的研究人员搭建了一个基于 DAVE（DARPA Autonomous Vehicle）的 DAVE2 的自动驾驶系统，通过卷积神经网络，来控制车辆的转弯等动作，使得车辆始终保持在车道上。

End to End Learning for Self-Driving Cars

该神经网络系统如下：







输入： 3*66*200 image
normalize
conv1： 24@5*5 kernel，stride 2*2， 得到 24@31*98 feature map
conv2： 36@5*5 kernel，stride 2*2， 得到 36@14*47 feature map
conv3： 48@5*5 kernel，stride 2*2， 得到 48@5*22 feature map
conv4： 64@3*2 kernel，stride 1*1， 得到 64@3*20 feature map
conv5： 64@3*3 kernel，stride 1*1， 得到 64@1*18 feature map
flattern： 展开得到 1152 （64*18），但是论文中显示为 1164， 相差12， 很奇怪？？
fullyconnect：100
fullyconnect：50
fullyconnect：10
fullyconnect：1
激活函数我采用了ReLU，除了最后一层fullyconnect layer，因为本质上是一个回归问题。