关于 图们向上找附近妹子大学生过夜〖97860638微信〗 的搜索结果,共1361
不****主 2018-07-09
高精地
摄像机、激光雷达、雷达探测物体的能力,在超一定距离后都会受到限制。在恶劣的天气条件下或在间,传感器识别障碍物的能力可能会受到进一步限制。另外当车辆遇到障碍物时,传感器无法透障碍物来确定障碍物后面的物体。这时,就需要借助高精地的帮助了。 即使传感器尚未检测到交通号灯,高精地也可以将交通号灯的位置提供给软件栈的其余部分,帮助车辆做下一个决策。 另一个好处在于,高精地可帮助传感器缩小检测范围,如高精地可能会告知我在特定位置寻停车标志,传感器就可以集中在该位置检测停车标志,被称为感兴趣区域ROI。ROI可帮助我提高检测精确度和速度,并节约计算资源。 高精地用于规划 正如定位和感知依赖高精地那样,规划也是如此。高精地可帮助车辆到合适的行车空间,还可以帮助规划器确定不同的路线选择,来帮助预测模块预测道路其他车辆将来的位置。 如高精地可帮助车辆识别车道的确切中心线,这样车辆可以尽可能地靠中心行驶。在具有低速限制、人行横道或减速带的区域,高精地可以使车辆能够提前查看并预先减速。如果前方有障碍物,车辆可能需要变道,可帮助车辆缩小选择范围,以便选择最佳方案。
l****m 2018-07-10
量(一)
基于神经网络的模型不需要计算和存储一个在全语料统计产表,而是通习语义息得到词量,因此能很好地解决以问题。在本章里,我将展示基于神经网络训练词量的细节,以及如何用PaddlePaddle训练一个词量模型。 效果展示 本章中,当词量训练好后,我可以用数据可视化算法t-SNE[4]画出词语特征在二维的投影(如下所示)。从中可以看出,语义相关的词语(如a, the, these; big, huge)在投影距离很,语意无关的词(如say, business; decision, japan)在投影的距离很远。 1. 词量的二维投影 另一方面,我知道两个量的余弦值在[−1,1][−1,1]的区间内:两个完全相同的量余弦值为1, 两个相互垂直的量之间余弦值为0,两个方完全相反的量余弦值为-1,即相关性和余弦值小成正比。
金****洲 2018-07-09
百度安全实验室|机器习对抗性攻击报告
1 攻击像识别场景 在会,Ian 和Alexey 指出去的对抗性像工作都基于如下的攻击模型,即攻 击者可以直接机器习模型输入数据,从而保证攻击者可以随心所欲地对任意粒度的 片进行修改,而不需要考虑灯光,片角度,以及设备在读取片时对对抗性像攻 击效果产变化。因此,他尝试了对抗性片在真实物理世界的表现效果,即对抗性 片在传入机器习模型之前,还经了打印、外部环境、摄像头处理等一系列不可控 转变。相对于直接给计算机传送一张无损的片文件,该攻击更具有现实意义。 在如何构造对抗性攻击,他使用了非定类攻击中的FGS 和FGS 迭代方 法,和定类的FGS 迭代方法[1]。其中,非定类攻击是指攻击者只追求对抗像和 原像不同,而不在意识别的结果是什么。定类攻击则是指攻击者在构造像时已经 预定目标机器习模型识别的结果。 在定类攻击中,作者首先根据条件概率出给定源像,最不可能(least-likely) 被识别的类型y 值,表示为(该种类通常和原种类完全不同)。然后采用定类攻击方 法中的FGS 迭代方法,产对抗性片。
j****2 2018-07-10
百度脑开放日来袭 24种全新AI能力呈现
比如百度EasyDL与分形科技打造的智能垃圾桶已成功地落地海淀公园,可以对7种常见垃圾自动分类,后期还可以通增加训练数据识别更多种类;在和德邦物流的合作中,为用户免去了自行填写息的麻烦,使用定制词法分析快递申请,一秒拆分姓名、电话、住址等息;更具科研意义的还有百度EasyDL与中科院在珍稀鸟类识别项目展开的合作,在传统分类日渐没落的今天,百度EasyDL可以利用强像识别技术协助专家对动植物标本、照片进行快速鉴定,目前中科院使用EasyDL训练对超12万幅片进行分析,目前在700多种鸟类模top5的识别准确率达到93.89%,非雀形目鸟类模型top5准确率达到95.79%,满足线服务要求。 与卓繁息的合作,百度脑还打造了“AI便民”的新型无人值守受理站。通UNIT、OCR、人脸识别等AI技术,“无人值守”的政务服务新模式为社会公众提供全年无休的24小时自助办事服务,提升了政府为民服务的能力。 开放日当天,网红智能猫窝的设计者百度脑工程师晚兮也在现场为家讲述了智能猫窝设计者的初心。
C****X 2018-07-10
群雄逐“”,百度缘何备受关注?
发现,高精地领域的入局者基本可以分为这样几类,以Google 为代表的互联网企业,包括百度;以丰田、特斯拉为首的车企厂;以Moblieye(已经被英特尔收购)为主的传感器厂商;以及包括 TomTom、四维新、高德等在内的商。 不仔细想想,入局归入局,但是要想玩的比别人都好,成为领先的玩家,确实不是一件容易的事儿。 其实对高精度地的研发,除了在技术需要攻克一些难关之外,更需要站在自动驾驶产业链的角度思考问题。高精度地是自动驾驶的专属地,了解车的需求或许比“造”本身更重要。 如果从开发者的角度来看,以百度为代表的互联网企业以及传统车企或许在整合产业链资源,全局入手的能力更占优势。 关于高精度地的一些based问题 地,对于人的日常活来说很普遍。 通常我了解的都是用于导航、查询地理息的传统电,这类地主要服务的是人类驾驶员。 传统电片来源于文章《高精地在无人驾驶中的应用》) 如所示,传统电是对路网的一种抽象表现,将路网抽象成有的形式。 什么是有形式? 简单来说就是的顶点代表路口,边代表路口与路口的连接。
y****n 2018-07-09
Apollo 自动驾驶感知技术分享
控制模块会让车前行,感知模块获得新的息,不停循环,应对更新的环境状态,实现整体良性的循环。 核心:感知用来做什么? 感知的输入跟环境相关。只要符合条件,都可以被列为感知。在 Level3 和 Level4 里定义的细分任务,把输入输出具体化。 障碍物检测,包括人、车、石头、树木等。是点云输出,下像感知示例。Level3 检测结果障碍物,对于 Level4 来说,不仅知道这是车,而且可以将其按车、小车分类,因为车和小车的开车方式不一样。不同的车,做出的决策规划不一样。你可以超小车,但无法超车。 我需要一个很细的障碍物分类,这根据输入的不同划分,有点云分类和障碍物中的分类。著名例是红绿灯的识别,你需要判断交通灯的颜色。障碍物检测分类,我得出障碍物息,这样有利于我做后续决策。 我要知道每个障碍物可能运行的轨迹,它会不会超车、插入车道或者无故变线,这需要障碍物跟踪。障碍物跟踪是很重要的模块。我要运用障碍物,也有对场景的分析,我点云也用到这个。 我像级别会做类似的分割,目的是我做场景建模和语义化的描述。
c****2 2018-07-10
个性化推荐(一)
背景介绍 在网络技术不断发展和电商务规模不断扩的背景下,商品数量和种类快速增长,用户需要花费量时间才能到自己想买的商品,这就是息超载问题。为了解决这个难题,个性化推荐系统(Recommender System)应运而。 个性化推荐系统是滤系统(Information Filtering System)的集,它可以用在很多领域,如电影、音乐、电商和 Feed 流推荐等。个性化推荐系统通分析、挖掘用户行为,发现用户的个性化需求与兴趣特点,将用户可能感兴趣的息或商品推荐给用户。与搜索引擎不同,个性化推荐系统不需要用户准确地描述出自己的需求,而是根据用户的历史行为进行建模,主动提供满足用户兴趣和需求的息。 1994年明尼苏达推出的GroupLens系统[1]一般被认为是个性化推荐系统成为一个相对独立的研究方的标志。该系统首次提出了基于协同滤来完成推荐任务的思想,此后,基于该模型的协同滤推荐引领了个性化推荐系统十几年的发展方
TOP