چكيده
يكي از مهم ترين مسائل در طراحي و راه اندازي يك خودرو خودران اين است كه سيستم بتواند به درستي نواحي مجاز براي رانندگي را تشخيص دهد و با تشخيص درست خطوط جاده در مسير مجاز بتواند حركت كند .
در واقع مهم ترين عملي كه انسان در هنگام رانندگي انجام مي دهد, تشخيص نواحي مجاز و سپس تصميم گيري براي حركات بعدي است. براي دست يابي به ساخت خودرو خودران با بالاترين كيفيت,بخش تشخيص خودروخودران در حد دقت انسان و بالاتر از آن بايد توانايي داشته باشد.
در اين گونه اهداف , ميزان دقت شبكه و همچنين سرعت محاسبات شبكه بسيار حائز اهميت است,زيرا كوچك ترين تعلل و بي دقتي باعث بروز تصادف و حوادث در جاده ها ميشود.در سال هاي اخير شبكه هاي مختلف و زيادي براي تشخيص خطوط طراحي شده اند كه داده هايي كه براي اموزش شبكه استفاده شده اند,بر اساس جاده هاي يك كشور خاص است و تنوع بالا از تمام كشور هاي دنيا را ندارند.داده هاي جمع آوري شده بايد تنوع بالا از انواع مختلف جاده هاي دنيا و همچنين شرايط مختلف آب و هوايي داشته باشد تا در هنگام تست در فضاي واقعي بهترين تشخيص را داشته باشد.
براي بهبود عملكرد اين گونه شبكه ها , ميتوانيم از روش يادگيري انتقالي استفاده كرده و بخشي از شبكه ها را بر اساس داده هاي مدنظر خود آموزش دهيم و دقت شبكه را متناسب با داده خود افزايش دهيم.
براي مثال,اگر يك شبكه بر اساس اتوبان هاي كشور آمريكا آموزش ديده است,هنگام مواجه با جاده هاي ايران ممكن است دقت خوبي نداشته باشد. اين مشكل از ساختار شبكه نيست,بلكه مشكل از داده هاي آموزشي است كه تنوع لازم را نداشته است.براي رفع اين مشكل , بخشي از شبكه را با داده هاي مورد نظر خود آموزش مي دهيم.
همچنين در دوران كنوني كه بحث بهبود شبكه هاي طراحي شده ازقبل, بسيار فعال است ميتوانيم با بكار گيري الگوريتم هاي ساده مانند الگوريتم توجه در شبكه هاي از پيش طراحي شده,باعث بهبود عملكرد شبكه ها شويم.
در سال هاي اخير, مدل هاي ساده اما كار آمدي در دنياي يادگيري عميق معرفي شد كه با استفاده و تركيب آن ها با شبكه هاي از قبل طراحي شده,ميتوانيم نتايج خوبي بگيريم .
