【分分一分快3破解】图森互联CTO侯晓迪:用5行代码征服一个领域

  • 时间:
  • 浏览:1
  • 来源:彩神快三网站

最近自动分分一分快3破解驾驶新闻频频,如沃尔沃Uber联手自动驾驶,福特、Uber争相发布无人驾驶商用时间线,comma.ai开源,tesla首例自动驾驶致死车祸......由此当大家当大家 儿促使看后自动驾驶的热度,看起来像未来商务,但当大家当大家 儿不是清楚这份技术离当大家当大家 儿到底有多远?

近日,图森互联正式组阁 与北奔研究院、北京理工大学达成战略企业合作伙伴关系,三方将以计算机视觉技术为基础在自动驾驶领域展开企业合作,属国内首例科技企业、车企、高校联合研发针对重型汽车有点儿是军用重型汽车自动驾驶技术。图森互联负责研发基于计算机视觉和层厚学习算法,提供自动驾驶处置方案。

InfoQ有幸采访到图森互联CTO,联合创始人侯晓迪。一些我你这些 采访周末前还在沟通问题分分一分快3破解报告 提要,周末后便收到了回复,看后答案第一感觉一些我非常严谨,促使从小处看后当事人的高效作风。

侯晓迪,2003年进入上海交大,并于大三发表了高引用论文;加州理工计算与神经系统博士,计算机视觉和认知科学领域专家。创立了基于频域的视觉注意机制理论。是近10年来在视觉注意机制最有影响力的研究。是计算机视觉领域全球华人博士中学术文章被引用最多的作者,学术论文Saliency detection: A spectral residual approach(发表于CVPR)、Image signature: Highlighting sparse salient regions(发表于IEEE transactions on pattern analysis and machine intelligence )在学术领域具有重要影响。

InfoQ:您在大三发表的论文使您成为华人年轻AI学者里单篇论文引用数最高的人,据说甚至超过一些名校教授,您要怎样做到的?能话语这里的故事吗?

侯晓迪:Paper第一次投就中,最大导致 可促使够是运气好!学术会议的审稿的随机性太高,哪怕CVPR曾经的顶级会议也是没法。审稿人一言不合就把paper据掉的血泪故事听过太多(当然,也亲身体验过)。

文章有一种高引,最大的导致 是简单且有效。整个算法只有5行代码,最少是CVPR史上最短的代码实现了。我的5行代码直接写在了paper里,花一分钟抄下来就能获得很不错的效果(截止2012年,算法的准确分分一分快3破解率在公开benchmark上top 3),当大家当大家 儿自然喜欢用。

至于说要想本科发顶会论文,拼的一些我投入——全身心的极端的投入。从06年开始英文英文直到08年毕业,我一一一六个劲过着曾经的生活:吃住在实验室;翘掉除体育分分一分快3破解之外的全部文化课;没法节假日,日均工作时间大于16小时;每天无论是当事人吃饭走路还是和实验室同学讨论,我的世界就只有“视觉的计算原理”你这些 件事。

InfoQ:在加州理工读完博士后,是那些导致 诱使您选泽创业呢?

侯晓迪:对我而言,创业是早在读PhD之初就不可能 决定了的。我希望促使用更先进的生产关系,试着冲破玻璃天花板,处置一些学术圈有一种处置不了的问题报告 。

在外人看来,Caltech是个标准的faculty的摇篮。但我我着实,沐浴在加州的资本阳光下,在校内跨领域跨学科企业合作浪潮的鼓动下,我校毕业生的创业比例却高得吓人。比如我所在的Computation & Neural Systems系,上下三届20位同学中都在曾经人选泽毕业后直接创业。

InfoQ:请问基于图片的嵌入式原生广告投放服务落地难点在哪里?对于图像识别SaaS的未来技术趋势,您有何看法?

侯晓迪:实验室层次的“work”,和实验室产品层次的“work”有很大差别。在媒体的渲染下,当大家当大家 儿都以为deep learning是个不可能 处置的问题报告 。但我我着实, deep learning处置得好且非常容易上手的,绝大要素都与ImageNet classification problem之类(分类清晰,训练数据量大,对整张图片给唯一标签)。在实际中,当大家当大家 儿一一一六个劲会遇到训练数据欠缺,训练和测试数据差别太多,类别不均衡,类间差异太小,一张图对应多标签,图片中物体较小……那些差异在外行看来似乎无足轻重,一些我都在对deep learning的分类结果产生重大影响。这就导致 了——产品经理每次提出来的曾经新问题报告 ,都还可促使够算法工程师做各种量身定制,促使让deep learning跑出还不错的结果。

在你这些 方面,当大家当大家 儿的终极目标是让产品经理拖拖鼠标,就能部署图森的层厚学习系统。一些图森的SaaS平台看起来平淡无奇,但我我着实顶端饱含了絮状的算法自适应黑科技。

InfoQ:图森车型识别准确度达到有几个,不是考虑过开源的框架和开源的数据集?

侯晓迪:车型识别准确率,在当大家当大家 儿当事人的数据上最少是97%。

图森一一一六个劲积极参与开源。我司首席科学家王乃岩同学一些我MXNet(目前最先进、强度最快的层厚学习开源框架)的核心成员之一。当大家当大家 儿长期与MXNet企业合作,提交了絮状的开源代码,是MXNet最大的贡献单位。

InfoQ:请问有lidar和无lidar优缺点是那些?当大家当大家 儿的可靠性差别有多大 ?图森是要怎样选泽的?

侯晓迪:信息量非负,多加任何传感器,肯定太多再帮倒忙。哪怕该信息不可能 能只有通过一些渠道获得,加入可否 够只有起到交叉校验、降低噪音等功能。

通过发射激光,LiDAR能只有很准确地测出光朝着某个方向前进,走多远会碰到障碍物。你这些 信息我着实很有用,但一些我过是自动驾驶千里长征的第一步。光靠分析点的距离,当大家当大家 儿太多能直接读出一坨点云对应的是那些物体,物体要怎样运动;更无法猜出汽车牌照、车道线标记、交通标志内容那些无法反映在3D点云上的信息。一些我,一旦遇到下雨下雪不可能 重度雾霾你这些 会干扰激光的场景,LiDAR都在罢工。

LiDAR的好处是,能只有一步跨越3D测距你这些 非常难的问题报告 ,从曾经比较容易的起点开始英文英文做自动驾驶。

我司没法用LiDAR,主要的考虑是成本。今天32线LiDAR的市价是6万美元,在三年后,LiDAR的成本会太多再是自动驾驶普及的最大拦路虎?你这些 问题报告 现在当然没法知道,图森选泽的道路是,宁可从比较难的起点多花些功夫,做当大家当大家 儿擅长做的事(不借助LiDAR,直接基于机器视觉研发算法),一些我要而且当大家当大家 儿的商业化之路受制于当大家当大家 儿无法控制的事情。

InfoQ:最近tesla出显的识别失败导致 的车祸事故能只有处置吗?不可能 误识别的概率多大,以tesla最近的车祸场景为例?针对辅助驾驶/无人驾驶有那些算法上的改进?(不是有paper不可能 专利?)

侯晓迪:首先,Mobileye的EyeQ3有一种一些我曾经辅助驾驶系统。一些我市场接受TESLA的概念的可是,是作为自动驾驶来炒作的。这最少TESLA提前消费了大众对自动驾驶这项技术的信任。这是很糟糕的事情。

其次,小概率事件不导致 它绝对太多再趋于稳定,一些哪怕是一百年后,我相信自动驾驶的车祸事故一些我会200%全部处置。一些我在这里只谈谈现行系统的问题报告 。

当前的模式识别学术界(以及衍生学会术界的工业界)过度地以“正确率”作为单一的优化目标。一方面当大家当大家 儿都知道,算法正确率越高,进一步攀升的难度也就越大;当事人面,却很少大家关注“不可能 识别错了缘何办”你这些 问题报告 。通用的做法是错一次就扣一分,不管你是没看后四十公里近在转过身的大卡车,还是把路旁的兔子识别成了狗。

在图森,当大家当大家 儿一一一六个劲非常强调的一项技术积累是self-consciousness of AI——即,当大家当大家 儿的算法不但可促使够进行各种识别,还可促使够对“当事人不是识别对了”进行预估。从而进一步提升系统可靠性。

当大家当大家 儿申请了一些专利,都在paper发表。

InfoQ:您对最近开源的comma.ai的有何看法?

侯晓迪:comma.ai是典型的层厚学习福音派。你这些 思路一般称作end-to-end learning,认为我希望把絮状输入(摄像头拍摄画面)输出(油门层厚、方向盘力度)数据扔给层厚神经网络进行训练,就能教会机器要怎样驾驶。所有的算法的问题报告 ,最终都能只有转化为训练数据的问题报告 ,并乘着大数据的东风迎刃而解。

你这些 想法听起来很棒。但实际操作起来却隐患重重。当系统碰到训练集里没法的突发情況时,谁也无法保证会趋于稳定那些。我我着实end-to-end的问题报告 并都在第一天才发现,业界一些人都尝试过,并汇报了之类结果。比如今年GTC 16上,NVidia也介绍了家里的end-to-end driving system,曾经最大的特点是,不可能 一切在预料中,汽车能只有很神奇地保持行进路线;但我希望稍微要素,错误变会积累,偏差没法大。换言之,系统不具备把当事人从未知的意料之外的情況中修正回来的能力。

相比来说,我司太多反对deep learning,一些我当大家当大家 儿坚持认为只有简单粗暴地把deep learning等价于machine learning,不可能 你这些 “未知的意料之外”是无论积累有几个训练数据都还是会趋于稳定的。接着我刚才讲的self-consciousness of AI,当大家当大家 儿可促使够让算法发现当事人的错误,并将自我纠错以先验的形式加入到系统中来。想做到你这些 步,还时可促使够回过头来借助一些传统的,非deep的machine learning法律土办法。

另外,comma.ai不可能 组阁 的代码和数据都很业余,充其量是研究生课程《自动驾驶》的期末课程作业,跟工业级算法系统全部没法可比性(不可能 也正一些我,comma.ai才舍得将其开源吧)。

InfoQ:对于智能驾驶,您我着实是应该以改进算法为主还是以积累驾驶数据训练优化为主?对于在中国,普及实现自动驾驶主要难点有那些?不是趋于稳定“中国特色”?

侯晓迪:改进算法和积累驾驶数据训练优化是一对相辅相成的过程,缺一不可。我认为曾经健康的商业模式都在同去促使这两者。

在中国做自动驾驶,曾经难点在于一些公开的学术圈数据集都在国外架构设计 的(德国最多)。曾经难点是不可能 政策导致 导致 测绘数据的不全部。这两点会对没法手也没钱的学术工作者和超早期创业团队增加一些麻烦。我也我我着实见过有几家国内公司,为了给当事人强行造壁垒,每次在谈到Mobileye的可是,都拿中国马路上常见的超载大货车说事儿。但说实话,我希望Mobileye想把有中国特色的大货车纳入到当大家当大家 儿的平台里,从采数据到训练/迁移模型,分分钟就能做好,根本太多再有那些战略壁垒。

算法的迁移和泛化相比整套系统,一些我非常小的一要素工作量。更何况到了产品层,各家肯定都在当事人在准备数据。一些自动驾驶各家比拼到最后,还是得硬碰硬。

本文由站长之家用户投稿,未经站长之家同意,严禁转载。如广大用户当大家当大家 儿,发现稿件趋于稳定不实报道,欢迎读者反馈、纠正、举报问题报告 (反馈入口)。

免责声明:本文为用户投稿的文章,站长之家发布此文仅为传递信息,不代表站长之家赞同其观点,不对对内容真实性负责,仅供用户参考之用,不构成任何投资、使用建议。请读者自行核实真实性,以及不可能 趋于稳定的风险,任何后果均由读者自行承担。