这篇论文调查了应用深度学习方法控制汽车的研究进展和存在的挑战,研究重点在于车辆控制而非感知问题,涵盖计算、架构、目标、泛化、验证和安全方面的探讨,为智能交通系统相关的领域提供及时有效的信息。
Dec, 2019
本文综述了近期深度学习与感知模块相结合的自动驾驶系统,介绍了针对何时、如何和何种方式集成多传感器测量的分类方法,提出了基于多视图、多模态和多帧的三维集成分类,总结了集成操作的优缺点,并讨论了理想数据集成方法的关键特性。
Jun, 2023
探讨自动驾驶中的数据领域适应问题,对近年来不同的领域适应技术进行了全面的回顾并针对 LiDAR 感知提出了未来研究的有趣问题。
Jun, 2021
使用图像识别数据集作为源域和目标域之间的桥梁,通过任务蒸馏框架,在不同仿真器之间成功地传输导航策略,并在传统领域适应基准上展现出有前途的结果。
Aug, 2020
本文旨在调查深度学习技术在自驾车领域中的最新进展及其强项与局限性,涵盖了基于人工智能的自动驾驶架构、卷积和循环神经网络、深度强化学习范式等内容,以及感知、路径规划、行为仲裁和运动控制算法。同时,重点探讨了当今在设计自动驾驶人工智能架构中所面临的挑战,如安全性、训练数据源和计算硬件等。
Oct, 2019
本文综述了深度神经网络及其应用中存在的数据获取与标注问题,并介绍了基于深度迁移学习的研究,旨在通过迁移学习中提出的独立同分布假设的放宽,解决数据不足的问题。
Aug, 2018
本研究提供了关于计算机视觉领域中,基于深度学习的深度域适应方法的全面概述,分类不同的深度域适应情景,总结了深度域适应方法,重点分析比较了各种情况下的最先进方法,并着重强调了当前方法的潜在缺陷和未来几个方向。
Feb, 2018
本文通过对多种不同的图像领域和任务类型进行超过 2000 个转移学习实验,并系统地分析其对转移学习性能的影响,得出了以下几点结论:(1)对于大多数任务,存在一种源任务显著优于 ILSVRC'12 预训练;(2)图像领域是实现积极转移的最重要因素;(3)源数据集应包括目标数据集的图像领域以获得最佳结果;(4)同时,当源任务的图像领域比目标任务的图像领域范围更广时,我们观察到的负面影响很小;(5)跨任务类型的转移可能会有益,但其成功与源任务和目标任务类型密切相关。
Mar, 2021
该研究探索了深度学习在自动驾驶计算机视觉技术中的应用及其对系统性能的改进影响。研究结果表明,深度学习技术可以显著提高自动驾驶系统的准确性和实时响应能力。尽管在环境感知和决策支持方面仍存在挑战,但随着技术的进步,预计未来能实现更广泛的应用和更大的潜力。
Jun, 2024
本论文从深度迁移学习定义开始,概览了图像分类领域中当前发展情况及存在的知识空白,并提出了一种新的迁移学习应用分类法以帮助更好地理解迁移学习的成效和问题所在。
May, 2022