-
人工智能 -
机器学习 -
深度学习 -
端到端
-
手动标记数十万张施工道路以及相关标志的图像。 -
让机器学习算法处理这些图像。 -
用一组未知或者叫泛化的图像上测试这些算法。 -
找出某些结果不准确的原因。 通过标注新图像来改进数据集,以提高结果准确性。
-
大量高质量的数据,在大量高质量数据上训练深度学习算法时,可以获得更好的效果。输入数据集中的异常值或错误会显著影响深度学习过程。例如,在我们的动物图像示例中,如果数据集中意外引入了非动物图像,深度学习模型可能会将飞机归类为海龟。为避免此类错误,必须先清理和处理大量数据,然后再训练深度学习模型。输入数据预处理需要大量的数据存储容量。
-
强大的算力芯片中心,深度学习算法是计算密集型的,需要具有足够计算能力的基础设施才能正常运行。否则,它们需要很长的时间来处理结果。
能源,数据存储处理以及计算消耗的能源成为继物理做功之后又一重要消耗,这也是为什么最近Open AI Sam奥特曼多次不同场合表示对核电感兴趣。
-
感知采用AI神经网络+规则控制 -
各个区块都采用神经网络 -
端到端融合神经网络
-
很有效率(例如,ChatGPT不需要使用AI训练来解决基本数学问题,它可以直接查询计算器模块), -
可能更容易理解/验证(这在驾驶中尤其重要,因为AI的错误可能是致命的)。 -
仍然使用高级AI技术,如Transformer,Occupancy等等。
文章来源于:电子工程世界 原文链接
本站所有转载文章系出于传递更多信息之目的,且明确注明来源,不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。