雷锋网按:本文为 AI 研习社编译的技术博客,原标题 Perception Projects from the Self-Driving Car Nanodegree Program,作者为 David Silver。
翻译 | 余杭 校对 | 王祎
在这些项目中,学生们构建了包括感知技术,深度学习,计算机视觉在内的众多项目,充分展示了他们的能动性,创造性和工作理念。
我们经常被学生告知在Udacity 自动驾驶工程师纳米学位项目中他们最喜欢的主题是感知技术,深度学习和计算机视觉(https://www.udacity.com/course/self-driving-car-engineer-nanodegree--nd013?utm_source=medium&utm_medium=content&utm_campaign=david_silver_blog)。
他们将对这些主题的浓厚兴趣直接转化为了高质量的工作。现在,我将向你们分享一下其中 3 个学生项目,这3个项目涵盖了上述这些主题,而且尤其令人印象深刻。
使用 ResNet 作为特征提取器实现 YOLO
https://medium.com/@m.khan/implementing-yolo-using-resnet-as-feature-extractor-5857f9da5014
Mohammad Atif Khan
我非常喜欢这个项目! Mohammad 独立完成了这个项目,并且大大超出了纳米项目的要求。这对于他以后的事业发展有非常大的裨益,因为雇主们非常喜欢这类有天赋的学生,这类学生能够深入研究某个专题,他们会通过自主构建项目来将想法具现化并且实验技能。
“在这个项目中我使用了预训练的 ResNet50 神经网络,移除了它的分类层,因此它变成了一个特征提取器,然后加入了 YOLO 的分类层(随机初始化后)。然后在 Udacity 的 CrowdAI 数据集上训练它以检测视频帧中的车辆”
语义分割
https://github.com/KiqueGar/CarND-Semantic-Segmentation
Enrique Garcia
Enrique 在纳米学位的高级深度学习项目中使用了 VGG-16 创建语义分割神经网络。他使用 KITTI 数据集来训练网络,然后将其应用到他在墨西哥自驾游时取的场景图上。一起看看这个YouTube 视频!
“原始的 FCN-8s 是分阶段训练。后来作者在 Github 上传了一个同时训练所有阶段的版本的 repo . Github repo 中的版本有个很重要的不同点是:池化层 3 和 4 的输出在它们被喂进 1 × 1 的卷积层之前被缩放了。结果是,一些学生发现这种包含缩放层的模型学习效果要好得多。模型的收敛速度可能不会那么快,但是会达到很高的检测评价值以及准确率”
使用机器学习来进行车辆检测
https://towardsdatascience.com/machine-learning-for-vehicle-detection-fd0f968995cf
Moataz Elmasry
......
想要继续阅读,请移步至我们的AI研习社社区:http://www.gair.link/page/TextTranslation/925
更多精彩内容尽在 AI 研习社。
不同领域包括计算机视觉,语音语义,区块链,自动驾驶,数据挖掘,智能控制,编程语言等每日更新。
雷锋网雷锋网
本站仅提供存储服务,所有内容均由用户发布,如发现有害或侵权内容,请
点击举报。