关于 闻什么让人有性冲动的图片【V信;799.196.362】撕 的搜索结果,共1779
y****n 2018-07-09
Apollo 自驾驶感知技术分享
感知技术是? 感知属于自驾驶核心技术,我们可以将汽车上感知与类感官进行一个类比:感知,通过感官器官获取外界息,传达感知功能区,把形象化东西抽象成概念或者更高层语义,供我们思维记忆、学习、思考或者决策,我们运控制功能区,我们身体对外界进行反馈。无车类似这样结构,这是强相关东西,我们无车也是一样。 下所示这辆车是 2016 年 12 月乌镇演示车队其中一台,它传感器、雷达、摄像头,这是覆盖比较全面设置,包括视觉、触觉、嗅觉等息。它需要大脑处理,大脑是无车里感知功能模块。 由于感知范围是广泛,它依赖于工驾驶或者自驾驶需要环境匹配,工况复杂度越高,感知复杂度越高。自驾驶不同级别里,感知复杂度也不同。Apollo 目前开放定位是 Level3 或者 Level4,感知、决策、控制是三位一体过程。 感知与传感器系统紧密结合,获取外部环境息,比如障碍物,障碍物距离、速度等,把数据交给感知处理模块,我们会收集息,构成开车时理解环境。
不****主 2018-07-09
高精地
高精地,是Apollo定位、感知、规划模块基础。 与普通地不同,高精地主要服务于自驾驶车辆,通过一套独特导航体系,帮助自驾驶解决系统能问题,扩展传感器检测边界。目前 Apollo 内部高精地主要应用在高精定位、环境感知、决策规划、仿真运行四大场景,帮助解决林荫道路GPS号弱、红绿灯是定位与感知以及十字路口复杂等导航难题。 一、高精地与传统地 当我们开车时,打开导航地通常会给我们推荐几条路线,甚至会显示道路是否拥堵以及每条路线将花费多长时间、是否交通管制,多少个交通号灯或限速标志等,我们会根据地提供息来决定是在行驶中直行、左转还是右转以及对周围驾驶环境评估。 而无驾驶车缺乏类驾驶员固视觉和逻辑能力。如我们可以利用所看到东西和GPS来确定自己位置,还可以轻松准确地识别障碍物、车辆、行、交通号灯等,但要想车变得和类一样聪明,可是一项非常艰巨任务。 这时就需要高精地了,高精地是当前无驾驶车技术不可或缺一部分。它包含了大量驾驶辅助息,最重要是包含道路网精确三维表征,例如交叉路口布局和路标位置。
金****洲 2018-07-09
百度安全实验室|机器学习对抗攻击报告
随着工智能和机器学习技术在互联网各个领域广泛应用,其受攻击可能 ,以及其是否具备强抗打击能力一直是安全界一直关注。之前关于机器学习模型攻 击探讨常常局限于对训练数据污染。由于其模型经常趋向于封闭式部署,该手段在真实情况中并不实际可行。在GeekPwn2016 硅谷分会场上, 来自北美工业界和 学术界顶尖安全专家们针对当前流行形对象识别、语音识别场景,为大家揭示 了如何通过构造对抗攻击数据,要其与源数据差别细微到类无法通过感官辨 识到,要该差别对类感知没本质变化,而机器学习模型可以接受并做出错误分 类决定,并且同时做了攻击演示。以下将详细介绍专家们攻击手段。 1.攻 击 像 语 音 识 别 系 统 目前工智能和机器学习技术被广泛应用在机交互,推荐系统,安全防护等各个 领域。具体场景包括语音,像识别,用评估,防止欺诈,过滤恶意邮件,抵抗恶意 代码攻击,网络攻击等等。攻击者也试通过各种手段绕过,或直接对机器学习模型进 行攻击达到对抗目。特别是在机交互这一环节,随着语音、像作为新兴机输 入手段,其便捷和实用被大众所欢迎。
C****X 2018-07-10
群雄逐“”,百度缘何备受关注?
声明:本篇文章为部分行业理论、专家观点以及个看法机融合。如表述不当、不足之处,还请大家多多指教。 “如果拥一辆自驾驶汽车,那高精度地并不是可可无,而是这辆汽车核心功能。”这句话出自前Here地副总裁 John Ristevski。 高精度地到底多核心?多重要? 通俗来讲,我们不就是想追求“开车省事儿+找对地方+驾驶安全”三合一吗? 地越精准,自驾驶车辆定位就越准确,安全也就越保障!这看,高精度地确实在一定程度上满足了大家要求。 高精度地来源于文章《高精地在无驾驶中应用》) 作为自驾驶开发者阵营中一员,关于地,我们关注了如下几则消息: 2017年年中,自驾驶领域“隐藏实力者”苹果,搭载了十余个32线激光雷达、摄像头、GPS 等传感器阵列驾驶路测车被曝光。 在本次全新升级车型上花了这大价钱,苹果可能不单单是为了在路测上“称王称霸”,很大程度上是着高精度地而来。 除了互联网企业高调“示爱”地,整车厂商以及零部件公司也都在加紧钻研基于云数据存储和地绘制方案。
x****3 2018-07-10
零基础认识深度学习——猿第一次直立行走
2.原始数据需要清洗整理和标注,没找到相关样本不是未标注样本。前文试验中6000张可都是标注了0-9数字,我们测试模型是为了找到“2”这一组相关。清洗、整理和标注数据工作可能是自也可能是工,自做那就是我们写脚本或跑大数据,工做就是提需求然后招1500个大妈给黄打框,但工程师会对打框过程全程指导。这里还取巧方法,友商模型太贵甚至不卖,那就是直接用友商云API接口,或者买友商大客户日志,友商帮你完成数据筛检。 3.上文试验中仅仅是分类数据集,已经很多可调整选项了;生产环境不仅声音、文字、作特征等数据集,数据集设置是否合理,要不要重建数据集都需要多次调试和长期观察。 4.实验中生成模型没怎调参数也只花了一分钟时间,但生产环境模型生成参数要经常调整,而生成一个模型时间可能是几小时甚至几天。 5.验证结果准确,如果是柔需求可以目测几个测试结果就把模型上线了,但如果是刚业务可能又要组织十万份以上样本进行测试验证。顺路说一句,用来训练模型硬件未必是适用于来验证和跑生产环境,如果是高压力测试可能还要换硬件部署。
1****6 2018-07-10
反向灵测试——如何识别这是不是AI?
假设我想一个娱乐APP科技范,我根本不用招开发也不用雇后台分拣,我只要弹窗提示用户必须笑一笑歪歪嘴,然后随机回复用户长得像范冰冰还是范伟--琪,用户就认为APP很智能了。前几天那个巨硬陪聊AI在微博上求骂蹭热度,我不那条微博是AI发。 用AI做coding是可能,编程本来就是类语言转换为机器语言翻译,但时日尚早,云计算+SDK+IDE从更简单更高效层面做编程简化了。但现在说在用AI做AIOPS,实际是只展示不决策,无知者无畏也没试验环境。 现在成熟AI应用就是少数几类场景,比如:语音识别、识别、无驾驶、行为预估(如金融风控)。但我们怎证明这些AI应用是机器学习还是深度学习哪,毕竟用深度学习做融资/吹牛逼更高大上啊。 深度学习惊艳之处在于解决了很多问题,但它对数据量需求像打着吊瓶跑马拉松,几个场景提前储备了那多数据?这两天热门新是 AlphaGo Zero 自学棋谱解决了数据问题,但用单纯围棋来推理复杂世界,这个类比糟糕透了。 AI技术配得上世给它盛名和期待,但AI技术不是用来嚼舌根编新
小****园 2018-07-10
PB级云存储不再神秘
当你数据量到TB以后,单台服务器已经无法承载和处理这些数据了,你需要尽量借助云存储平台处理和分发能力。我本来以为这些功能大家都会各平台都,但试读者反馈还是建议我加上这一段。 云存储直接处理数据都是这样一个形态:文件输入来自于云存储,参数输入来自于客户get和post请求,在云端做一些无状态处理,文件可以下载或存储到云存储,参数输出或者接口回调。常见例子是实时打水印损压缩后下载,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。这些服务使用方便收费低廉,甚至在改变原开发模式,成为存储必备核心功能点,但是这些服务使用过程中小坑不断。 比如说实时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设备、网络、应用场景决定要分辨率,此功能带来了无与伦比灵活。但用户不可能是多媒体处理专家,很多应用场景细节根本就想不到
TOP