Введение 4
1. Постановка задачи 6
2. Обзор 7
2.1. Методы для подбора гиперпараметров 7
2.2. Дерево решений 9
2.3. Задача обнаружения контуров на дороге 11
2.4. Задача обнаружения дорожной полосы 12
3. Обучение дерева решений 14
3.1. Генерация признаков 14
3.2. Обучение на основе классических методов 15
3.3. Дистилляция нейросетевых методов 16
3.4. Реализация 20
4. Эксперимент 25
4.1. Постановка эксперимента 25
4.2. Качество 28
Заключение 31
Список литературы 32
Безопасность на дороге является одним из главных приоритетов для
участников дорожного движения. Несмотря на понятность этой проблемы и различные меры по регуляции движения, в России за 2021 год
произошло 133 тысячи автомобильных аварий с пострадавшими [24].
Чаще всего такие происшествия случаются не по вине производителей
транспортных средств, а из-за человеческих ошибок во время вождения. Для борьбы с этой проблемой изучается возможность как можно
больше автоматизировать процесс вождения, чтобы минимизировать
человеческий фактор.
Усовершенствованная система помощи водителю (Advanced DriverAssistance System, ADAS) — класс систем дополненной реальности для
помощи водителю на дороге. ADAS использует различные сенсоры для
моделирования окружающего мира, в частности, камеры и лидары,
чтобы избежать столкновений, предупреждать водителя об опасностях,
помогать оставаться на дороге или даже взять контроль над транспортным средством при необходимости.
Для моделирования окружающей среды ADAS использует различные алгоритмы компьютерного зрения, такие как детектирование линий или сегментирование точек лидаров на объекты. Часто такие алгоритмы имеют глубокое пространство для настройки. Так, например,
алгоритм Canny [3], позволяющий находить контуры объектов на изображении, имеет следующие параметры: два пороговых значения для
удаления шумных линий, и степень сглаживания. Такие параметры называются гиперпараметрами алгоритма, так как задаются пользователем, а не рассчитываются самим алгоритмом.
В зависимости от значений этих гиперпараметров поведение алгоритма может сильно меняться. По этой причине в АО «Кама» есть
запрос на подход, с помощью которого можно будет автоматически
по характеристикам изображения (например по степени освещенности
или гистограмме серого) определять оптимальные гиперпараметры алгоритмов.
Таким образом были достигнутые следующие результаты:
1. Проведен обзор популярных методов для оптимизации гиперпараметров. В качестве классических методов были рассмотрены:
поиск по сетке, случайный поиск, байесовская оптимизация, генетическая оптимизация. В качестве современного метода MFO был
рассмотрен метод HyperBand. Конкретно в данной работе были
рассмотрены: алгоритм REINFORCE и алгоритм Actor-Critic.
2. Предложен метод для обучения дерева-оптимизатора на основе
существующих методов оптимизаций, рассмотренных в обзоре.
Метод был реализован на языке Python, с использованием библиотек: Pytorch, Scikit-learn и Hyperopt. Помимо дерева решений
были добавлены другие популярные методы оптимизации. Реализация выложена в открытый доступ. 1
3. Проведено сравнение предложенного метода как с классическими
методами оптимизаций (поиск по сетке, случайный поиск, байесовская оптимизация, генетическая оптимизация), так и с нейросетевыми методами (REINFORCE, Actor-Critic). Было выявлено,
что предложенный метод может улучшить результат на некоторых задачах ADAS, а в остальных не сильно проигрывает современным методам оптимизации.
4. Результаты представлены на ночной конференции “Современные
технологии в теории и практике программирования”
