在深度學(xué)習變得普遍之前的2010年，感知是molex連接器自動(dòng)駕駛汽車(chē)能力的主要限制，但2014年之后基于深度學(xué)習的雷達技術(shù)、相機還有激光雷達，帶來(lái)了技術(shù)性能的不斷提升——那么無(wú)人駕駛汽車(chē)下一步還會(huì )迎來(lái)哪些挑戰呢？ 在過(guò)去的十年里，自動(dòng)駕駛領(lǐng)域對機器學(xué)習的大部分對話(huà)都集中在對象檢測上。對安全導航至關(guān)重要的是，我們如何才能提高自動(dòng)駕駛汽車(chē)檢測和跟蹤動(dòng)態(tài)物體的能力？在2010年，當深度學(xué)習變得普遍之前，感知是自動(dòng)駕駛汽車(chē)能力的主要限制。其中ImageNet的分類(lèi)精度在當時(shí)作為最先進(jìn)的解決方案只能達到50%的準確率(相比之下，今天的準確率為88%)。雖然ImageNet分類(lèi)并不能與當前最先進(jìn)的目標檢測技術(shù)相提并論，但它確實(shí)代表了計算機視覺(jué)的進(jìn)步。 直到2012年，AlexNet成為ImageNet競賽的首批參賽者之一，它利用卷積神經(jīng)網(wǎng)絡(luò )進(jìn)行深度學(xué)習。AlexNet在當年的ImageNet競賽上達到了最先進(jìn)的精度，成為計算機視覺(jué)領(lǐng)域最有影響力的方法。 從2014年開(kāi)始，基于深度學(xué)習(Deep Learning)的雷達技術(shù)、相機還有激光雷達，都開(kāi)始悄悄進(jìn)入自動(dòng)駕駛領(lǐng)域。谷歌的自動(dòng)駕駛汽車(chē)與一位坐輪椅的女士用掃帚追趕一只鴨子的奇遇，成為有史以來(lái)挑戰感知技術(shù)的一個(gè)著(zhù)名例子。 如今，基于深度學(xué)習的感知技術(shù)在自動(dòng)...