寻找供应商
广告
首页 > 汽车技术 > 正文

一文读懂自动驾驶数据闭环

2021-09-21 18:17:01·  来源：智驾最前沿  
　
注意最近的一些新方法：
  • “DetCo: Unsupervised Contrastive Learning for Object Detection“
 
  • “PointContrast: Unsupervised Pre-training for 3D Point Cloud Understanding“
 
  • “MonoRUn: Monocular 3D Object Detection by Reconstruction and Uncertainty Propagation“
 
  • “Weakly Supervised Semantic Point Cloud Segmentation: Towards 10x Fewer Labels“
 
8）少样本/零样本学习
零样本学习（Zero-shot learning，ZSL）旨在识别在训练期间可能未见过实例的目标。虽然大多数ZSL方法都使用判别性损失（discriminative losses）进行学习，但少数生成模型（generative models）将每个类别表示为概率分布。
对于未见类（unseen classes），ZSL除了无法访问其视觉或辅助信息的inductive设置之外，transductive方法无需访问标签信息，直接用已见类（seen classes）和未见类一起的视觉或语义信息。
ZSL属于迁移学习（TL），源特征空间为训练实例，目标特征空间为测试实例，二者特征空间一样。但对于已见类和未见类，标签空间是不同的。
为了从有限的监督信息中学习，一个新的机器学习方向称为少样本学习 (Few-Shot Learning ，FSL)。基于如何使用先验知识，FSL可分为三个类：1）用数据先验知识来增强监督经验，2）通过模型先验知识约束假设空间，和3）用算法先验知识改变假设空间中最佳参数的搜索方式。
FSL 可以是监督学习、半监督学习和强化学习（RL），取决于除了有限的监督信息之外还有哪些数据可用。许多 FSL 方法是元学习（meta learning）方法，以此作为先验知识。
最近的一些实例方法：
  • “Don’t Even Look Once: Synthesizing Features for Zero-Shot Detection“
 
  • “Zero-Shot Semantic Segmentation“
 
  • “Zero-Shot Learning on 3D Point Cloud Objects and Beyond“
 
  • “Few-Shot Object Detection and Viewpoint Estimation for Objects in the Wild“
 
  • “Self-Supervised Few-Shot Learning on Point Clouds“
 
  • “Few-shot 3D Point Cloud Semantic Segmentation“
 
   首页   下一页   上一页   尾页 
分享到：
 
反对 0 举报 0 收藏 0 评论 0
  • 汽车测试网V课堂

    汽车测试网V课堂

  • 微信公众号

    微信公众号

  • 汽车测试网手机站

    汽车测试网手机站

• 一文带你了解自动驾驶数据合成的发展现状 • 驾驶员监控系统DMS合规认证的“中西结合”思考
• 自动驾驶汽车测试关键行人场景生成 • 高效三通道双向电源：释放测试潜能
• 一文讲述汽车电子电气EEA架构 • 纯电动汽车高速工况下底盘后部空腔引起低频噪声问题的分析
• 本田第二代燃料电池膜电极开发技术 • 新能源汽车动力电池不起火？
• R171.01对DCAS的要求⑤ • 为什么要进行汽车以太网接收测试？汽车以太网测试又有哪些
0 条相关评论

编辑推荐

最新资讯

沪ICP备11026917号-25