新的深度学习研究打破了自动驾驶汽车图像识别能力的记录

本文参加了百户#科学真棒#系列作文比赛.

人们，自行车，汽车或道路，天空，草地. 在自动驾驶汽车之前，图像中的哪些像素代表明显的前景人物或物体，哪些像素表示背景类别？这项称为全景分割的任务是一个基本问题，在自动驾驶汽车，机器人，增强现实甚至生物医学图像分析等许多领域都有应用. 弗莱堡大学计算机科学系的助理教授Abhinav Valada博士着重探讨了这个问题. Valada和他的团队开发了最先进的“ EfficientPS”人工智能（AI）模型，该模型可以更快，更有效地连贯地识别视觉场景.

弗莱堡大学的研究人员解释说，这项任务主要是通过一种称为深度学习的机器学习技术来解决的，该技术中的人工神经网络从人脑中汲取灵感，并从大量的数据学习中汲取灵感. 诸如Cityscapes之类的评估系统在衡量这些技术的进步方面发挥了重要作用. Valada团队成员Rohit Mohan表示: “多年来，Google或Uber研究团队一直在争夺这些评估系统中的第一名. 来自弗莱堡的计算机科学家的方法在“城市景观”排名中排名第一. 同时，EfficientPS在其他评估系统（如KITTI，Mapillary Vistas和IDD）中始终保持领先地位.

在项目网站上，Valada展示了团队如何在不同数据集上训练不同AI模型的示例. 结果将叠加在相应的输入图像上，其中颜色显示模型将像素分配给的对象类别. 例如，汽车被标记为蓝色，人被标记为红色，树木被标记为绿色图像识别图像识别，建筑物被标记为灰色. 此绘制边界，将其视为独立实体. 弗赖堡的研究人员成功地训练了该模型，并将学到的城市场景信息从斯图加特转移到了纽约市. 尽管AI模型不知道美国的城市长什么样，但它可以准确地识别纽约市的场景.

先前针对该问题的大多数解决方案都具有较大的模型尺寸，并且已在实际应用程序中使用，例如机器人技术和其他需要大量资源的应用程序. 瓦拉达解释说: “我们的EfficientPS不仅实现了最先进的性能，而且是具有最高计算效率和最快速度的方法. 这进一步扩大了EfficientPS的应用范围. ”

本文来自电脑杂谈，转载请注明本文网址：
https://www.pc-fly.com/a/jisuanjixue/article-220385-1.html