关于 女用春药图片价格【V信;799.196.362】铱 的搜索结果,共604
不****主 2018-07-09
高精地
高精度地可在许多方面为无人车提供帮助,如高精度地通常会记录交通号灯的精确位置和高度,从而大大降低了感知难度。 高精地不仅可以减少计算需求,还可以通过提供有关驾驶环境的详细息,来确保无人车的安全。保持这些地的更新是一项重大任务,测试车队需要不断地对高精度地进行验证和更新。此外,这些地可能达到几厘米的精度,这是水准最高的制精度。 Apollo 高精地是最懂自动驾驶的高精地,也是业界精细化程度最高、生产率最高、覆盖面最广的高精地。目前,Apollo 高精地的自动化程度已经达到了90%、准确识别率达到了95%以上,预计2020年可以覆盖全国所有的重点道路。 高精地有很多种式,为了方便数据共享,Apollo高精地了OpenDRIVE式,这是一种行业制标准。同时,Apollo也对OpenDRIVE做出了改进,进而产生了Apollo OpenDRIVE标准,以便更适合无人车。 Apollo高精地的构建 高精度地的构建由五个过程组成:数据采集、数据处理、对象检测、手动验证和地发布。
y****n 2018-07-09
Apollo 自动驾驶感知技术分享
特征抽取,就是建立一个网,每一个网提取的息对应一个值,每一个网都有一个特征,拼接形成一张;点云聚类,是的网做结果预测;后处理,是由于预测不准,对障碍物的判断会存在误差,所以要通过后处理来精确障碍物。闭包提取,是据朝向补全障碍物的形状。 障碍物跟踪。与障碍物检测相结合,检测结果和历史障碍物进行息匹配,得出新障碍物列表。并且输出下一帧以什么速度怎样行驶,得出列表。 视觉感知。Apollo 之前版本的视觉感知数据,主要是红绿灯的数据。已发布的0 同时开放红绿灯检测和识别算法,可以作为视觉感知的典型代表。 红绿灯识别。是根据当前车的位置查找高精地,判断前方是否有红绿灯。如果有,高精地会返回红绿灯的物理位置,同时采集视频像。如果并排很多灯,需要准确判断影响决策的灯。
金****洲 2018-07-09
百度安全实验室|机器学习对抗性攻击报告
4 对抗性像黑盒攻击流程 这一攻击基于对抗性像的欺骗传递性,即针对机器学习模型A 构造的对抗性 像,也会有很大的比例能欺骗机器学习模型B。表1 展示了使单网络优化方法时,针 对不同元模型构造的非定向对抗性像,被不同目标模型识别的成功率。每一个子(i,j) 代表针对算法模型i 产生的对抗,在其他算法模型j 上验证的结果,百分比表示所 有对抗性中被识别成原类型的比例。可以看出,当同一个像识别系统被来 构造和验证对抗性像时(白盒攻击模型),百分比为0。这说明在白盒攻击模型中, 构建对抗性像的效果非常好,全部不能正确识别。当验证模型和构造模型并不一致时, 大部分对抗性像的百分比也在10%-40%之间浮动,该结果有效证明了对抗数据在 不同算法之间有一定的传递性。 表1 针对不同源机器学习模型构造的非定向对抗性攻击方法(单网络优化方法)在目 标模型的攻击效果。其中,ResNet-50, ResNet-101, ResNet-152,GoogLeNet,Incept-v3 和VGG-16 是当下流行的深度神经网络像识别系统。
C****X 2018-07-10
群雄逐“”,百度缘何备受关注?
这么看来,百度高精度地的数据采集目前还并未涉及到其他的采集方式,例如步采背包以及无人机,是否会在这方面有所调整呢? (来源于网络) 目前百度的高精度地以满足L3级别自动驾驶的要求为标准,所以采集的道路场景以高速公路为主。采集车队总量达280台,其中具备高精度地采集能力的车辆约40多台,单车设备成本在100万人民币左右,自动化处理程度可以超过 90%。 地的数据管理与更新问题 关于地数据的管理,自动驾驶领域专家刘少山等专家表示,无人车使的高精地是2D网,数据主要由激光雷达提供。 由于激光雷达的精度大约是5厘米,所以地的最高精度可以达到每个网5×5厘米,在如此高倍的精度下,如何有效管理数据是很“麻烦”的一件事儿。 一般情况下,激光雷达可覆盖方圆100米范围,假设每个反光强度可以一个字节记录,那么每次激光雷达扫描后就可产生4MB数据。 但是这种扫描会涵盖公路旁边的树木及房屋等,实际上无人车行驶并不需要这些,只需记录公路表面的数据,数据过滤就成为关键一步。 过滤数据中,通常可以使无损压缩算法,例如LASzip,有望达到超过10倍的压缩率。
x****3 2018-07-10
零基础认识深度学习——猿人的第一次直立行走
随着硬盘和带宽的降提速,20年前全人类都没几张高清照,现在单个公司的数据量就能达到EB级。大数据技术只能读写结构化日志,要读视频和必须AI,人类已经盯不过来这么多摄像头了。 我们只有从心里把AI技术请下神坛,才能把它当做顺手的工具去。AI的技术很深理论很晦涩,主要是这个行业刚刚发芽还未分层,就像20年前IT工程师需要全面掌握技能,现在的小朋友们连字符集都不关注。 二、关联度模型 深度学习有两步工作,先要训练生成模型,然后使模型去推测当前的任务。 比如说我100万张标记好这是猫还是狗,AI把内各个段的特征提取出来,生成一个猫狗识别模型。然后我们再给这个模型套上接口做成猫狗检测程序,每给这个程序一张照它就能告诉你有多大几率是猫多大几率是狗。 这个识别模型是整个程序中最关键的部分,可以模糊的认为它就是一个密封黑盒的识别函数。以前我们写程序都是做if-then-else因果判断,但像特征没有因果关系只看关联度,过去的工作经验反而成了新的认知障碍,还不如就将其当做黑盒直接拿来
小****园 2018-07-10
让PB级云存储不再神秘
常见的例子是实时打水印有损压缩后下载,视频异步转码另存,涉广告检查后返回特征码,日志文件检索特定字段,文件自定义加密解密等等。这些服务使方便收费低廉,甚至在改变原有的开发模式,成为存储必备的核心功能点,但是这些服务使过程中小坑不断。 比如说实时有损压缩这个功能可极大节省CDN带宽提高资源加载速度,客户端可以根据自己的设备、网络、应场景决定要什么分辨率的,此功能带来了无与伦比的灵活性。但户不可能是多媒体处理专家,很多应场景细节根本就想不到的。比如你往我的平台塞个200M大我是拒绝处理的,友商不管多大都敢去切,但有30%几率是后台切程序崩溃,让你等是十分钟才收到个50X的报错;比如说某些音频编解码规范应了半个世纪,某款新出的手机可能会出兼容性问题。这类技能太生僻,云厂商培养技术人员都很困难,客户要靠自己评估厂商就更难了。我的建议是多发几个工单,看接工单的是技术人员还是商务客服,看工单处理周期和结果吧。
c****2 2018-07-10
个性化推荐(一)
文本卷积神经网络(CNN) 卷积神经网络经常来处理具有类似网拓扑结构(grid-like topology)的数据。例如,像可以视为二维网的像素点,自然语言可以视为一维的词序列。卷积神经网络可以提取多种局部特征,并对其进行组合抽象得到更高级的特征表示。实验表明,卷积神经网络能高效地对像及文本问题进行建模处理。 卷积神经网络主要由卷积(convolution)和池化(pooling)操作构成,其应及组合方式灵活多变,种类繁多。本小结我们以如3所示的网络进行讲解: 3. 卷积神经网络文本分类模型 假设待处理句子的长度为nn,其中第ii个词的词向量为xi∈ℝkxi∈Rk,kk为维度大小。 首先,进行词向量的拼接操作:将每hh个词拼接起来形成一个大小为hh的词窗口,记为xi:i+h−1xi:i+h−1,它表示词序列xi,xi+1,…,xi+h−1xi,xi+1,…,xi+h−1的拼接,其中,ii表示词窗口中第一个词在整个句子中的位置,取值范围从11到n−h+1n−h+1,xi:i+h−1∈ℝhkxi:i+h−1∈Rhk。
陶****子 2018-07-09
使nodejs BOT SDK开发问答类技能模板
如: 增加更多意,比如放弃当前问题意,下一题意,帮助意等等 使数据库或其他方式存储息和得分,以便增加更多功能。如户抽奖功能,或者分享功能。
l****m 2018-07-10
词向量(一)
神经网络求词向量之前,传统做法是统计一个词语的共生矩阵XX。XX是一个|V|×|V||V|×|V| 大小的矩阵,XijXij表示在所有语料中,词汇表VV(vocabulary)中第i个词和第j个词同时出现的词数,|V||V|为词汇表的大小。对XX做矩阵分解(如奇异值分解,Singular Value Decomposition [5]),得到的UU即视为所有词的词向量: X=USVTX=USVT 但这样的传统做法有很多问题: 由于很多词没有出现,导致矩阵极其稀疏,因此需要对词频做额外处理来达到好的矩阵分解效果; 矩阵非常大,维度太高(通常达到106×106106×106的数量级); 需要手动去掉停词(如although, a,...),不然这些频繁出现的词也会影响矩阵分解的效果。 基于神经网络的模型不需要计算和存储一个在全语料上统计产生的大表,而是通过学习语义息得到词向量,因此能很好地解决以上问题。在本章里,我们将展示基于神经网络训练词向量的细节,以及如何PaddlePaddle训练一个词向量模型。
k****0 2018-07-09
使Python SDK开发语录类技能模板
语录类技能模板的交互模型 语录类技能跟户的交互很简单。户说“来一个”,技能从语录列表中选取一条读给户,户可以继续说“来一个”继续听语录,或者说“退出”以结束交互。 使模板开发技能的流程 新建技能 新建技能详情请参阅自定义技能创建 配置意配置详情请参阅意、常表达和槽位 语录类技能模板需要创建“获取语录”意。获取语录意如下所示: 配置技能服务部署 语录类技能模板使CFC部署技能服务。使CFC部署技能服务详情请参阅 百度云CFC 修改CFC函数代码 开发者通过模板创建函数以后,可在线编辑函数。创建修改CFC函数具体流程如下: 登录CFC控制台 通过模板创建函数, 选择Python DuerOS Bot SDK模板 将下面代码内容覆盖在线编辑框中代码 修改 launch_request 方法中的相关内容,如 template.set_background_image(), template.set_title()中的参数 修改 getQuotations 方法中的语录列表 保存 CFC操作说明请参阅函数计算 CFC 测试技能 至此,语录累技能就开发完成了。
TOP