奥迪大型自动驾驶数据集:A2D2

今天奥迪公司的研究人员在发布的论文 A2D2: Audi Autonomous Driving Dataset 中,公布了其大型自动驾驶数据集:A2D2,同时还配备了相关教程,并提供开放下载。数据集目标为推进计算机视觉、机器学习、自动驾驶的商用和学术研究。数据类型包含:RGB 图像,也包括对应的 3D 点云数据,记录的数据是时间同步的。标注类型包括:目标 3D 包围框,语义分割,实例分割以及从汽车总线提取的数据。数据规模:标注的非序列数据,41,227 帧,都含有语义分割标注和点云标签。其中含有前置摄像头视野内目标 3D 包围框标注 12,497 帧。另外,该库还包括 392,556 连续帧的[……]

继续阅读

《边缘计算与嵌入式开发(自动驾驶)》课程

新一代人工智能的核心价值在于应用,随着移动互联网,物联网,中国智造——工业 4.0 等产业的成熟与完善,将机器学习算法,深度学习模型等智能植入移动端 App,嵌入式设备,将成为新一代人工智能技术应用产品化的趋势。本课程基于面向无人智能化领域的嵌入式硬件平台,让学生了解移动端上的深度学习、计算机视觉、GPU 计算和图形方面的新技术。同时,借助高性能、低能耗的 GPU,学生将学习到如何将深度学习模型嵌入到移动设备;在嵌入式『板载终端设备』上处理复杂数据;并铸就更大型更复杂的深度神经网络。从机器人和无人机,到企业协作设备和智能摄像机无一不可进行快速及准确的推理。[……]

继续阅读

局部渐进稀疏技术自动驾驶新数据集

NuScenes 最新研究发布了一个大型自动驾驶数据集,该数据集是首个包括 5 个雷达,1 个激光雷达,6 个摄像头,IMU 和 GPS 在内的完整传感器套件的数据集。 NuTonomy场景(NuScenes)比 KITTI 数据集多出 7 倍和 100 倍的图像,涵盖 23 个类别,包括不同类型的车辆,行人,移动设备及其他对象。

研究人员还发明了一种新的 3D 方法来整合各种物体检测的类别和任务,包括对物体大小,分类,方向,本地化,速度和属性的检测和估计。针对激光雷达和图像检测方法的数据集分析和基线测试证明,尽管仅基于激光雷达和仅基于图像的物体检测都能达到物体识别的要求,但仅激光雷达的[……]

继续阅读

图像标注的基础内容介绍

给大家介绍图像标注的种类,应用场景,以及各种标注的优缺点。

如果没有数据分析,公司就会变得既盲又聋,就像高速公路上的鹿一样在网络上游荡。—  Geoffrey Moore

每个数据科学任务都需要数据。具体地说,是输入系统的干净易懂的数据。说到图像,计算机需要看到人类眼睛看到的东西。

例如,人类有识别和分类物体的能力。同样,我们可以使用计算机视觉来解释它接收到的视觉数据。这就是图像标注的作用。

图像标注在计算机视觉中起着至关重要的作用。图像标注的目标是为和任务相关的、特定于任务的标签。这可能包括基于文本的标签(类),绘制在图像上的标签(即边框),甚至是像素级的标签。我们将在下面探讨这[……]

继续阅读

2020 年中国信通院白皮书合集

本合集包括 2020 年度中国信通院发布的 28 本白皮书,打包下载链接

  •   “互联网+行业” 个人信息保护研究报告
  •   工业互联网产业经济发展报告
  •   基于用户体验的移动网络质量白皮书
  •   数字中国产业发展报告(2020年)——信息通信产业篇
  •   中国数字经济发展白皮书(2020)
  •   云计算发展白皮书
  •   中国互联网行业发展态势暨景气指数报告(2020)
  •   中国网络安全产业白皮书
  •   人工智能治理白皮书
  •   中国金融科技生态白皮书(2020年)
  •   全球数字经济新图景(2020年)
  •   中国宽带发展白皮书
  • [……]

    继续阅读

深度学习语义分割理论与实战指南

图像分类、目标检测和图像分割是基于深度学习的计算机视觉三大核心任务。三大任务之间明显存在着一种递进的层级关系,图像分类聚焦于整张图像,目标检测定位于图像具体区域,而图像分割则是细化到每一个像素。基于深度学习的图像分割具体包括语义分割、实例分割和全景分割。语义分割的目的是要给每个像素赋予一个语义标签。语义分割在自动驾驶、场景解析、卫星遥感图像和医学影像等领域都有着广泛的应用前景。本文作为基于 PyTorch 的语义分割技术手册,对语义分割的基本技术框架、主要网络模型和技术方法提供一个实战性指导和参考。

GitHub地址项目 GitHub 地址[……]

继续阅读

用 TF-AGENTS 进行强化学习

强化学习作为机器学习的一个重要的领域,在机器学习的发展史上具有举足轻重的地位。近年来,工程师与科学家将强化学习模型应用在了在游戏、自动驾驶、机器人以及优化领域等领域并取得了非常卓越的成果。强化学习是一种利用环境反馈的学习机制(类似于人类在错误中总结,在失败中成长),类似的机制还有诸如博弈论,控制论,遗传算法等。

日前,Google 发布了基于 TensorFlow 的强化学习框架: TF-AGENTS,作为一款优秀的强化学习框架 TF-AGENTS 可以让强化学习的工程师和科学家在设计、实现以及测试新的强化学习算法时更加的方便与快捷。同时,由于对代码结构的精心设计,在实际使用它时也有利于[……]

继续阅读

新一代『工业 AI』王冠

当前,以智能化为核心的产业变革正在兴起,人工智能技术与社会各领域的融合不断加剧,并成为助推工业智能化转型升级的关键燃料。

今年 4 月,工业互联网产业联盟(AII)发布的《工业智能白皮书》显示,截止到 2019 年底,在全球 20 多个经济体近三年发布的 100 份人工智能方面的战略规划或政策文件中,涉及与工业结合的超过一半以上。美、日、德、欧盟分别发布《国家人工智能研究和发展战略规划》,《新机器人战略》,《国家工业战略 2030》,《欧盟人工智能》等一系列政策战略,重点提及产品全生命周期优化、先进机器人、自动驾驶、大数据挖掘等在工业领域的应用。随着人们对于工业 AI 的研究不断深入,逐[……]

继续阅读

玩转深度学习在 GTA-5 实现自动通关

这是一个使用深层神经网络并运用监督学习实现在 Grand Theft Auto V 中自动驾驶的开源项目。项目使用 PyTorch 编写,并使用了英伟达的 Apex 扩展库,支持混合精度训练与推断,最多大约有两倍的速度提升。训练后模型在驾驶时的策略是模仿人玩 GTA 时的操作,并不会去遵守游戏里的交通规则。例如:地板油在街道上穿行,并躲避其他车辆与行人。当在游戏中设置好目标点后,训练好的模型能够自主地驾驶到对应目标点。

项目使用人工标记的数据来训练深层神经网络,即首先记录下游戏中的画面已经人玩游戏时的键盘操作,之后使用该数据集来训练神经网络模型。这里需要指出的是,本项目只是用 G[……]

继续阅读

各种机器学习算法最佳应用场景 – 1

此前,跨象乘云™ 曾介绍了基于 scikit-learn 的机器学习算法工程导图这篇文章进一步详细解析了各种机器学习算法的最佳应用场景,以下内容由机器之心编译。

机器学习既是一门科学,也是一种艺术。各类机器学习算法,并没有一种普适的解决方案或方法。事实上,有几个因素会影响你对机器学习算法的选择。有些问题是非常特别的,需要用一种特定的解决方法。例如,如果你对推荐系统有所了解,你会发现它是一类很常用的机器学习算法,用来解决一类非常特殊的问题。而其它的一些问题则非常开放,可能需要一种试错方法(例如:强化学习)。监督学习、分类、回归等问题都是非常开放的,可以被用于异常检测或建立更加广泛的预测模[……]

继续阅读