Source @ Vision Chine
Wen | cerveau globule polaire
CVPR à venir 2019 tenue en Juin, est la direction de la vision de la machine la plus importante de conférences universitaires. A annoncé les résultats de la sélection, les papiers cette année ont augmenté de 56%, par rapport aux documents sans pilote et des projets aussi obtenir ensemble l'apparence. Une grande tache lumineuse est que la vision automatique de conduite au cur de CVPR WAD Défi.
Le défi de cette année, Berkeley et les gouttes sont très grande échelle ouvrir leur propre conduite des ensembles de données vidéo BDD100K et D²-ville, comprend 100000 BDD100K américaine conduite vidéo publique, D²-City fournit plusieurs villes chinoises plus de 10.000 enregistrement vidéo. Ces ensembles de données sont bien marqués tous les objets sens, ainsi que la météo, les conditions routières et de la circulation et d'autres objets clés et des données, afin de pouvoir changer la naissance de l'algorithme des problèmes de sécurité sans pilote.
Selon le plan de Berkeley, ce défi se concentrera sur l'adaptation de domaine détection de cibles et le suivi des tâches, et peut scènes migrera automatiquement dans différentes villes en Chine et aux États-Unis.
Alors, à quel point important domaine pour adapter le pilote automatique de problèmes de sécurité? A travers un article au premier à découvrir.
Le pilote automatique égouttés et renaissance
Avant d'expliquer « l'adaptation de domaine », il est nécessaire de savoir, et maintenant les problèmes techniques pilote automatique qui sont un mal de tête.
Bien que véhicule d'essai sans pilote a pris le kilométrage routier et les données sont de plus en plus belle, mais pour les modèles d'apprentissage de la machine, comment peut-essai routier et la performance de l'environnement nouveau, inconnu aussi bien, ce qui est encore problème ouvert.
Par exemple, les véhicules autonomes peuvent utiliser la route dans le jeu de données de test Silicon Valley pour former une bonne performance des modèles de véhicules sans pilote. Cependant, le même modèle si elle est déployée dans cette neige météo dans la région de Boston, il peut sembler mal, parce que la machine avait jamais vu la neige. Comment différencier dans l'environnement de fonctionnement efficace autonome, l'expérience de multiplexage il a appris, cela est encore un apprentissage machine difficile.
Si Boston et la Silicon Valley, en raison des différences énormes dans les conditions climatiques et routières, à tout moment de l'année, le système peut être marqué pour les domaines différents, il peut être résolu par les différents modèles. Ensuite, face à des domaines très similaires, tels que la même chose est les rues de la ville, mais Pékin et Chongqing, a une conception différente de la route, donc une fois encore la difficulté de mise à niveau.
La solution précédente, « vivre et apprendre une leçon. » ensemble de la formation de la collecte des données (y compris des exemples d'échec), l'extraction de caractéristiques, puis laissez la machine classificateur d'apprentissage basé sur un minimum d'erreurs d'expérience de critères. Mais si facile à produire trois questions:
Tout d'abord, l'effet de la migration entre les domaines instables. Si la formation et de test accord de distribution des jeux, le modèle d'effet de la migration est mieux. Si la distribution est incompatible, surajustement dans le domaine source, le domaine de la performance cible est pas satisfaisante.
En second lieu, la variabilité limitée. En marquant une bonne stratégie des données de formation set've appris, souvent traiter uniquement avec les systèmes environnementaux et physiques spécifiques. Et le monde réel rencontre souvent les changements dynamiques, tels que la lumière anormale, des phénomènes météorologiques spéciaux, etc., qui vont changer les propriétés du domaine et qui ont pas de voiture à perte.
3 est un risque élevé de l'opinion publique. Laissez les systèmes de véhicules sans pilote pour apprendre des échecs, tout d'abord, il faut d'abord faire des erreurs. Mais dans la sécurité des véhicules sans pilote actuel de la population en général est très préoccupé par l'environnement, la collision du véhicule sans pilote, frotter, l'identification des problèmes, etc. seront lents à venir à la question, puis appuyer sur l'utilisation des données d'accidents pour savoir comment éviter les erreurs sans doute désastreux.
, Nous avons évidemment besoin de l'aide d'autres moyens pour les véhicules sans pilote tune, pour réduire le nombre de son échec dans un environnement inconnu. « Adaptive » est l'un d'entre eux.
Ainsi, à la fin ce qui est un apprentissage adaptatif de domaine?
Tout d'abord expliquer deux concepts clés:
Tout d'abord, le domaine source (domaine source) représente les échantillons d'essai de différents domaines, mais il y a une multitude de données d'annotation. Tels que Berkeley et pièces de conduite données vidéo fixe BDD100K et D²-City.
L'un est le domaine cible (domaine cible) représentent les zones où l'échantillon d'essai, sans étiquette ou seulement une petite étiquette. Lorsque le véhicule sans pilote sur une transformation du véhicule d'essai à la Silicon Valley de Boston sur la route, il est un nouveau visage du domaine cible.
Comment réutiliser autant que possible d'obtenir une connaissance préalable de celui-ci concentrée dans les données de domaine source obtenir avec précision la détection, le suivi et d'autres tâches d'apprentissage que possible à l'objet de domaine cible, il devient un gros problème modèle de véhicule sans pilote pour faire face.
Nous peigne ensuite les catégories de tâches:
1. La possibilité d'adaptation de domaine.
En termes simples, quelle condition est satisfaite qu'il sera possible d'atteindre l'apprentissage adaptatif de domaine. Ce modèle d'apprentissage (algorithme aussi apprendre des tyrans et des points de laitier d'apprentissage), la pertinence (comme les routes différences dans la Silicon Valley et Chongqing) les domaines source et cible, l'analyse de l'algorithme lié d'erreur (domaines source et cible doivent être satisfaits en même temps l'erreur d'approximation minimum), la connaissance préalable des tâches d'apprentissage, etc., résoudre correctement ces quatre questions, afin d'aider efficacement la machine à un apprentissage adaptatif de domaine.
2. robustesse.
Dans le domaine de l'apprentissage adaptatif, répartis entre les échantillons de formation et de test incompatibles, et donc conduire à l'apprentissage sur les modèles de formation de domaine source ne sont pas applicables souvent au domaine cible. L'apprentissage peut adaptatif de domaine solide est une mesure de la sensibilité à l'évolution des algorithmes d'échantillonnage de formation, pour surmonter les limites d'erreur domaine cible de généralisation de « perturbation ». Dans le modèle court d'apprentissage adaptatif de domaine est un « homme chaleureux », plus inclusive à l'erreur.
3. L'estimation statistique de la cohérence.
Dans le modèle, vous pouvez être sûr que le domaine cible après avoir appris, il est nécessaire de résoudre le problème de l'efficacité de l'adaptation de domaine de l'apprentissage.
Cela dépend souvent de la probabilité qu'un domaines de source valides et cible pour déterminer la distribution de la machine d'analyse de cohérence qui est le plus grand test de l'intelligence. Utilisez aussi peu nombre d'échantillons pour obtenir l'erreur minimale liée. Bon domaine algorithme d'apprentissage adaptatif n'est pas autorisé « branches latérales », la capacité de généralisation de l'emploi très forte.
Cela dit, il est facile de voir sur une nature adaptative de domaine de l'apprentissage et le mode d'apprentissage humain est très similaire: un bon résumé de l'apprentissage antérieur des connaissances scientifiques, et l'expansion de nouvelles connaissances dans le processus de communication et la réalité de la classe et explorer, la connaissance complète de la complexité des choses, de manière à atteindre l'auto-apprentissage, adapter à l'objectif des nouveaux sujets.
domaine des véhicules sans pilote apprentissage adaptatif est la même logique: la première utilisation de données existantes de marquage pour initialiser l'apprentissage et l'excavation en continu de l'échantillon sur la base de la connaissance préalable des données non marquées, au modèle d'apprentissage par incréments et remise en forme avec des données non marqué sur la route dans un environnement inconnu peut effectuer bien accomplir des tâches d'apprentissage.
Maintenant, il semble que le domaine d'apprentissage adaptatif est complet sans pilote de manière rentable élevé des tâches visuelles.
Le nouvel algorithme est toujours sur la route
Depuis la « adaptation de domaine » est si important pour sans pilote, la liste actuelle exactement ce qui mérite d'algorithmes comparant l'ont?
Maintenant, il semble que, en raison de la complexité de la mission sans pilote lui-même, ont souvent besoin d'être migré vers le domaine cible d'apprendre à partir de plusieurs sources de données, qui doit tenir compte de deux problèmes:
Premièrement, l'écart entre lui-même ayant une pluralité de champs de données source, tels que des ensembles de données Berkeley BDD100K couvre temps différents, la lumière, le temps et l'emplacement géographique, même comprend le GPS et IMU et les informations d'estampille temporelle correspondante;
En second lieu, il y a un écart entre les différentes catégories de données du domaine de source. Par exemple, les gouttes ensemble de données D²-Ville, les boîtes englobantes annotés et le suivi des routes d'identité ont été divisés en 12 catégories différentes, et ensemble de données Berkeley étiquette de la boîte GT BDD100K en 10 catégories.
Toutes ces performances algorithmes a fait beaucoup de défis. Ici, nous souhaitons d'énumérer plusieurs algorithmes représentatifs pour voir comment ils résoudre les problèmes techniques liés à sans pilote:
1. algorithmes adaptatifs d'exposition.
Comme mentionné précédemment, l'intensité lumineuse dans différentes villes et les conditions routières sont différentes, afin d'assurer un véhicule sans pilote fiable capable d'acquérir des informations routières dans une variété de conditions d'éclairage, les chercheurs ont proposé un algorithme d'exposition adaptative. Le capteur optique acquis image en valeur de gris, et le seuil dynamique de la ligne par un traitement de ligne, le prochain cycle de point d'accès rapide exposition correcte. Dans l'essai sur route réelle, l'algorithme peut rapidement et efficacement obtenir des informations routières, le traitement limite après plus claire.
2. détection d'obstacles de la route.
Le principe est d'utiliser les connaissances existantes avant, par exemple apprendre à identifier les obstacles couleur, bord, caractéristiques de texture, etc. à partir des images de domaine source de différents véhicules sur la route ont été l'analyse de domaine cible et les obstacles rapidement extraits.
De nombreux aspects de cet algorithme, comme Zielke, qui utilisent la symétrie de bord de la route et des informations importantes pour extraire le bord de la route. Kuehnle et al symétrie sur la base de l'image pour identifier la roue du véhicule la roue arrière. Crisman, qui utilisent des informations couleur dans l'image visuelle pour atteindre la route à suivre, etc., afin d'améliorer les tests de performance de la cible sans pilote de degrés divers.
3. domaine multi-sources algorithme de migration de données.
Shang chercheurs proposent un réseau appelé « cocktail » d'aborder la question du transfert des connaissances du domaine des données multi-sources au domaine cible, pas de modèle de voiture pour aider à identifier plus efficacement nouvel environnement.
approche spécifique consiste à utiliser une caractéristique de réseau partagées, le modèle de fonction tous le domaine source et le domaine cible, puis en utilisant des techniques d'adaptation de multiplexeur contre domaine (similaire au générateur GAN), respectivement, chacun des domaines de source et le domaine cible des combinaisons de deux confrontation, afin d'effacer l'apprentissage domaine caractéristique invariante, ce qui réduit le système dans une large mesure en raison de l'écart de l'environnement de données déni de justice.
En fin de compte, l'approche « adaptative de domaine » non seulement réduit le risque de formation, mais aussi d'améliorer efficacement les performances d'apprentissage du système. De ce point de pensée, même hâte de voir le nouveau cheval sombre CVPR 2019 Challenge!
plus le point
Maintenant, nous voyons les mots « sans pilote », la plupart des gens pensent? Les initiés peuvent se sentir « cool », alors que le grand public est « dégoûté ».
Juste après le premier trimestre de 2019, des nouvelles négatives sur le drone sans fin de:
Le financement de l'année dernière a atteint un record RoadStar.ai Shing Technology luttes internes est mort, est devenu la première société tombée du véhicule sans pilote, service du pilote automatique d'Apple mis à pied 190 personnes, ce qui réduit le nombre de véhicules sans pilote à 62, il y a Andrew Ng fond américain de l'automobile la conduite des entreprises de démarrage Drive.ai mois dernier a également rapporté un message « prostituée ».
L'industrie a été frustré, il est parce que la sécurité des véhicules sans pilote est difficile de convaincre complètement le public.
Il y a deux jours, les chercheurs ont apposé des autocollants comme « attaques physiques » sur la route de laisser Tesla véhicules autonomes incorporant la voie inverse, et même avec le jeu Xbox en l'absence d'autorisation du propriétaire le contrôle de la poignée.
Même dans le véhicule le plus sophistiqué sans pilote de la baie de San Francisco, il y a beaucoup de résidents locaux lient les pneus de roulement des pneus, des armes à feu, pistolet gens sur l'avenir sans pilote peu découragé. Et quand les perspectives ne sont pas claires quand, peut-être, est la poursuite ultime de la technologie continue la vie de la route.
Dans le passé, la conférence haut dans le domaine de la vision par ordinateur, l'apprentissage machine, l'étude de l'adaptation de domaine a mis l'accent sur la classification d'image sémantique et la segmentation, voir rarement des applications sur les tâches de niveau instance telles que la détection et le suivi objet, bien qu'ils ne respectent pas personne plus importante conduire.
Bien sûr, vous voulez laisser la « adaptation de domaine » pour aider les véhicules sans pilote de formation plus efficace, dépendez Berkeley et gouttes dans CVPR 2019 la libération de l'ensemble de données ou un jeu ne suffit pas, mais aussi pour les chercheurs de fournir plus le soutien de yuans, tels que le contact amélioré avec les prix des voitures de l'équipe, et de soutenir la recherche et le développement réalisé autour des besoins réels et ainsi de suite.
Avant cela, la technologie complexe honnêtement rester dans le laboratoire et essais routiers il.
Plus de contenu passionnant, l'attention des médias titane signal de micro (ID: taimeiti), titane ou télécharger les médias App
