女人荫蒂被添全过程13种图片,亚洲+欧美+在线,欧洲精品无码一区二区三区 ,在厨房拨开内裤进入毛片

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
創(chuàng)作中心

完善資料讓更多小伙伴認識你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

自動駕駛中機器學習算法主要分為哪四類?

ml8z_IV_Technol ? 來源:未知 ? 作者:李倩 ? 2018-07-26 11:03 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

機器學習算法已經(jīng)被廣泛應用于自動駕駛各種解決方案,電控單元中的傳感器數(shù)據(jù)處理大大提高了機器學習的利用率,也有一些潛在的應用,比如利用不同外部和內(nèi)部的傳感器的數(shù)據(jù)融合(如激光雷達、雷達、攝像頭或物聯(lián)網(wǎng)),評估駕駛員狀況或為駕駛場景分類等。

在 KDnuggets 網(wǎng)站此前發(fā)表的一篇文章中,作者 Savaram Ravindra 將自動駕駛中機器學習算法主要分為四類,即決策矩陣算法、聚類算法、模式識別算法和回歸算法。我們跟他一起看看,這些算法都是怎樣應用的。

算法概覽

我們先設(shè)想這樣一個自動駕駛場景——汽車的信息娛樂系統(tǒng)接收傳感器數(shù)據(jù)融合系統(tǒng)的信息,如果系統(tǒng)發(fā)現(xiàn)司機身體有恙,會指導無人車開往附近的醫(yī)院。

這項應用以機器學習為基礎(chǔ),能識別司機的語音、行為,進行語言翻譯等。所有這些算法可以分為兩類:監(jiān)督學習和無監(jiān)督學習,二者的區(qū)別在它們學習的方法。

監(jiān)督學習算法利用訓練數(shù)據(jù)集學習,并會堅持學到達到所要求的置信度(誤差的最小概率)。監(jiān)督學習算法可分為回歸、分類和異常檢測或維度縮減問題。

無監(jiān)督學習算法會在可用數(shù)據(jù)中獲取價值。這意味著算法能找到數(shù)據(jù)的內(nèi)部聯(lián)系、找到模式,或者根據(jù)數(shù)據(jù)間的相似程度將數(shù)據(jù)集劃分出子集。無監(jiān)督算法可以被粗略分類為關(guān)聯(lián)規(guī)則學習和聚類。

強化學習算法是另一類機器學習算法,這種學習方法介于監(jiān)督學習和無監(jiān)督學習之間。

監(jiān)督學習會給每個訓練樣例目標標簽,無監(jiān)督學習從來不會設(shè)立標簽——而強化學習就是它們的平衡點,它有時間延遲的稀疏標簽——也就是未來的獎勵。每個 agent 會根據(jù)環(huán)境獎勵學習自身行為。了解算法的優(yōu)點和局限性,并開發(fā)高效的學習算法是強化學習的目標。

在自動駕駛汽車上,機器學習算法的主要任務(wù)之一是持續(xù)感應周圍環(huán)境,并預測可能出現(xiàn)的變化。

我們不妨分成四個子任務(wù):

檢測對象

物體識別及分類

物體定位

運動預測

機器學習算法也可以被寬松地分為四類:

決策矩陣算法

聚類算法

模式識別算法

回歸算法

機器學習算法和任務(wù)分類并不是一一對應的,比如說,回歸算法既可以用于物體定位,也可以用于對象檢測和運動預測。

決策矩陣算法

決策矩陣算法能系統(tǒng)分析、識別和評估一組信息集和值之間關(guān)系的表現(xiàn),這些算法主要是用戶決策。車輛的制動或轉(zhuǎn)向是有依據(jù)的,它依賴算法對下一個運動的物體的識別、分類、預測的置信水平。

決策矩陣算法是由獨立訓練的各種決策模型組合起來的模型,某種程度上說,這些預測組合在一起構(gòu)成整體的預測,同時降低決策的錯誤率。AdaBoosting 是最常用的算法。

AdaBoost

Adaptive Boosting 算法也簡稱為 AdaBoost,它是多種學習算法的結(jié)合,可應用于回歸和分類問題。

與其他機器學習算法相比,它克服了過擬合問題,并且對異常值和噪聲數(shù)據(jù)非常敏感。它需要經(jīng)過多次迭代才能創(chuàng)造出強學習器,它具有自適應性。學習器將重點關(guān)注被分類錯誤的樣本,最后再通過加權(quán)將弱學習器組合成強學習器。

AdaBoost 幫助弱閾值分類器提升為強分類器。上面的圖像描繪了如何在一個可以理解性代碼的單個文件中實現(xiàn) AdaBoost 算法。該函數(shù)包含一個弱分類器和 boosting 組件。

弱分類器嘗試在數(shù)據(jù)維數(shù)中找到理想閾值,并將數(shù)據(jù)分為 2 類。分類器迭代時調(diào)用數(shù)據(jù),并在每個分類步驟后,改變分類樣本的權(quán)重。因此,它實際創(chuàng)建了級聯(lián)的弱分類器,但性能像強分類器一樣好。

聚類算法

有時,系統(tǒng)獲取的圖像不清楚,難以定位和檢測對象,分類算法有可能丟失對象。在這種情況下,它們無法對問題分類并將其報告給系統(tǒng)。

造成這種現(xiàn)象可能的原因包括不連續(xù)數(shù)據(jù)、極少的數(shù)據(jù)點或低分辨率圖像。K-means 是一種常見的聚類算法。

K-means

K-means 是著名的聚類算法,它從數(shù)據(jù)對象中選擇任意 k 個對象作為初始聚類中心,再根據(jù)每個聚類對象的均值(中心對象)計算出每個對象與中心對象的距離,然后根據(jù)最小距離重新劃分對象,最后重新計算調(diào)整后的聚類的均值。

下圖形象描述了 K-means 算法。其中:

(a)表示原始數(shù)據(jù)集。

(b)表示隨機初始聚類中心。

(c-f)表示運行 2 次 k-means 迭代演示。

模式識別算法(分類)

通過高級駕駛輔助系統(tǒng)(ADAS)中的傳感器獲得的圖像由各種環(huán)境數(shù)據(jù)組成,圖像過濾可以用來決定物體分類樣例,排除無關(guān)的數(shù)據(jù)點。在對物體分類前,模式識別是一項重要步驟,這種算法被定義為數(shù)據(jù)簡化算法。數(shù)據(jù)簡化算法可以減少數(shù)據(jù)集的邊緣和折線(擬合線段)。

PCA(原理分量分析)和 HOG(定向梯度直方圖),支持向量機(Support Vector Machines,SVM)是 ADAS 中常用的識別算法。我們也經(jīng)常用到 K 最近鄰(KNN,K-NearestNeighbor)分類算法和貝葉斯決策規(guī)則。

支持向量機(SVM)

SVM 依賴于定義決策邊界的決策層概念。決策平面分隔由不同的類成員組成的對象集。下面是一個示意圖,在這里,物體要么屬于紅色類要么綠色類,分隔線將彼此分隔開。落在左邊的新物體會被標記為紅色,落在右邊就被標記為綠色。

回歸算法

這種算法的專長是預測事件,回歸分析會對兩個或更多變量之間的關(guān)聯(lián)性進行評估,并對不同規(guī)模上的變量效果進行對照。

回歸算法通常由三種度量標準驅(qū)動:

回歸線的形狀

因變量的類型

因變量的數(shù)量

在無人車的驅(qū)動和定位方面,圖像在 ADAS 系統(tǒng)中扮演著關(guān)鍵角色。對于任何算法來說,最大的挑戰(zhàn)都是如何開發(fā)一種用于進行特征選取和預測的、基于圖像的模型。

回歸算法利用環(huán)境的可重復性來創(chuàng)造一個概率模型,這個模型揭示了圖像中給定物體位置與該圖像本身間的關(guān)系。

通過圖形采樣,此概率模型能夠提供迅速的在線檢測,同時也可以在線下進行學習。模型還可以在不需要大量人類建模的前提下被進一步擴展到其他物體上。

算法會將某一物體的位置以一種在線狀態(tài)下的輸出和一種對物體存在的信任而返回。回歸算法同樣可以被應用到短期預測和長期學習中,在自動駕駛上,則尤其多用于決策森林回歸、神經(jīng)網(wǎng)絡(luò)回歸以及貝葉斯回歸。

回歸神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)可以被用在回歸、分類或非監(jiān)督學習上。它們將未標記的數(shù)據(jù)分組并歸類,或者監(jiān)督訓練后預測連續(xù)值。神經(jīng)網(wǎng)絡(luò)的最后一層通常通過邏輯回歸將連續(xù)值變?yōu)樽兞?0 或 1。

在上面的圖表中,x 代表輸入,特征從網(wǎng)絡(luò)中的前一層傳遞到下一層。許多 x 將輸入到最后一個隱藏層的每個節(jié)點,并且每一個 x 將乘以相關(guān)權(quán)重 w。

乘積之和將被移動到一個激活函數(shù)中,在實際應用中我們經(jīng)常用到 ReLu 激活函數(shù)。它不像 Sigmoid 函數(shù)那樣在處理淺層梯度問題時容易飽和。

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學習之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報投訴
  • 機器學習
    +關(guān)注

    關(guān)注

    66

    文章

    8499

    瀏覽量

    134376
  • 無人駕駛
    +關(guān)注

    關(guān)注

    99

    文章

    4165

    瀏覽量

    123270
  • 自動駕駛
    +關(guān)注

    關(guān)注

    788

    文章

    14271

    瀏覽量

    170251

原文標題:無人駕駛中的應用中都有哪些機器學習算法

文章出處:【微信號:IV_Technology,微信公眾號:智車科技】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。

收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評論

    相關(guān)推薦
    熱點推薦

    機器學習算法如何應用到自動駕駛

    機器學習算法已經(jīng)被廣泛應用于自動駕駛各種解決方案,電控單元的傳感器數(shù)據(jù)處理大大提高了機器
    的頭像 發(fā)表于 11-22 14:14 ?7077次閱讀

    FPGA在自動駕駛領(lǐng)域有哪些應用?

    是FPGA在自動駕駛領(lǐng)域的主要應用: 一、感知算法加速 圖像處理:自動駕駛需要通過攝像頭獲取并識別道路信息和行駛環(huán)境,這涉及到大量的圖像處
    發(fā)表于 07-29 17:09

    自動駕駛真的會來嗎?

    自動駕駛面臨的主要挑戰(zhàn)是基于圖像的機器學習能力。  理論上,基于圖像的機器學習可以讓汽車實現(xiàn)
    發(fā)表于 07-21 09:00

    自動駕駛的到來

    的Telematics收發(fā)芯片,非常適合V2V及V2X等相關(guān)應用。  相比于傳統(tǒng)的底盤、發(fā)動機等傳統(tǒng)汽車技術(shù),自動駕駛更多的技術(shù)集中在電子領(lǐng)域,而且核心技術(shù)并沒有被跨國車廠或Tier1所壟斷。并且
    發(fā)表于 06-08 15:25

    AI/自動駕駛領(lǐng)域的巔峰會議—國際AI自動駕駛高峰論壇

    已經(jīng)滲透到了社會生活的方方面面。人工智能在自動駕駛領(lǐng)域?qū)φ麄€汽車出行領(lǐng)域產(chǎn)生顛覆性變革。汽車的人工智能技術(shù)和數(shù)據(jù)后端的最新突破使自動駕駛成為可能。深度學習、高級數(shù)字助理和動態(tài)電子視野方面的新科技
    發(fā)表于 09-13 13:59

    無人駕駛自動駕駛的差別性

    自動駕駛領(lǐng)域,目前有兩大技術(shù)路徑:一是以特斯拉等汽車廠商為代表的“輔助駕駛”升級路線,其探測技術(shù)基礎(chǔ)是攝像頭(機器視覺)、毫米波雷達、超聲雷達;二是以谷歌等互聯(lián)網(wǎng)公司為代表的“無人駕駛
    發(fā)表于 09-28 16:50

    速騰聚創(chuàng)首次發(fā)布LiDAR算法 六大模塊助力自動駕駛

    、三維數(shù)據(jù)處理算法和深度學習技術(shù)相結(jié)合,讓機器人擁有超越人類眼睛的環(huán)境感知能力,目前主要致力自動駕駛領(lǐng)域的研發(fā)。2016年12月底,牛車網(wǎng)曾
    發(fā)表于 10-13 16:08

    即插即用的自動駕駛LiDAR感知算法盒子 RS-Box

    ,即可快速、無縫地將激光雷達感知模塊嵌入到自己的無人駕駛方案,真正實現(xiàn)“一鍵獲得自動駕駛激光雷達環(huán)境感知能力”。RS-BoxLiDAR感知算法專業(yè)硬件平臺RS-Box 由嵌入式硬件平
    發(fā)表于 12-15 14:20

    自動駕駛汽車的定位技術(shù)

    差異。按傳感器來分,SLAM主要分為激光、視覺兩大類。自動駕駛通過定位技術(shù)準確感知自身在全局環(huán)境的相對位置,將自身視作一個質(zhì)點并與環(huán)境有機結(jié)合起來。按定位技術(shù)原理不同可
    發(fā)表于 05-09 04:41

    自動駕駛車輛AI面臨的挑戰(zhàn)

    自動駕駛車輛采用的AI算法自動駕駛車輛AI面臨的挑戰(zhàn)
    發(fā)表于 02-22 06:39

    基于視覺的slam自動駕駛

    基于視覺的slam自動駕駛,這是我們測試的視頻《基于slam算法的智能機器人》調(diào)研分析報告項目背景分析機器人曾經(jīng)是科幻電影的形象,可目前已
    發(fā)表于 08-09 09:37

    細數(shù)幾種常見的自動駕駛機器學習算法

    電子發(fā)燒友網(wǎng)站提供《細數(shù)幾種常見的自動駕駛機器學習算法.docx》資料免費下載
    發(fā)表于 09-22 14:13 ?2次下載

    淺析四類機器學習自動駕駛的應用

    自動駕駛機器學習算法主要分為
    的頭像 發(fā)表于 11-05 17:47 ?5808次閱讀

    自動駕駛屬于人工智能嗎 自動駕駛用到的AI算法

    AI算法是支撐自動駕駛技術(shù)最關(guān)鍵的部分,目前主流自動駕駛公司都采用了機器學習與人工智能算法來實現(xiàn)
    的頭像 發(fā)表于 12-13 16:49 ?1w次閱讀

    自動駕駛機器學習

    近年來,自動駕駛技術(shù)技術(shù)的發(fā)展速度非常快。預計達到完全自動駕駛L5的程度是指日可待的。自動駕駛的核心技術(shù)主要是人工智能
    發(fā)表于 06-06 10:06 ?0次下載
    <b class='flag-5'>自動駕駛</b><b class='flag-5'>中</b>的<b class='flag-5'>機器</b><b class='flag-5'>學習</b>
    主站蜘蛛池模板: 大丰市| 庄浪县| 大渡口区| 习水县| 佛坪县| 彭州市| 夹江县| 九江市| 当雄县| 通州区| 太仆寺旗| 郓城县| 富裕县| 炉霍县| 景谷| 平陆县| 利辛县| 荣成市| 墨竹工卡县| 秭归县| 黄石市| 云梦县| 沁阳市| 江陵县| 句容市| 珲春市| 成武县| 壶关县| 乌审旗| 唐海县| 奇台县| 华池县| 南木林县| 蓬安县| 新昌县| 临沭县| 包头市| 台湾省| 庄浪县| 新邵县| 望奎县|