大家都知道，特斯拉很火，他的创始人马斯克更是荣登世界首富(为什么感觉和马克思很像。。)。特斯拉的无人车主要依赖于前后xx个摄像头进行环境感知，所以围绕着视觉传感器而进行的环境感知问题就被社会上很多人研究，这期呢是一篇将平行概念用于智能驾驶车辆视觉感知的文章。(实际原因：今天上 web of science 上搜图像处理相关的文章，发现很多论文都是付费的，果然知识都是有价的。结果在那墨迹了半天，还是没有找到满意的论文，所以知网上找了篇中文的凑合着看吧！)
文章标题：面向智能驾驶的平行视觉感知: 基本概念、框架与应用
原文摘要：
目的：视觉感知技术是智能车系统中的一项关键技术，但是在复杂挑战下如何有效提高视觉性能已经成为智能驾驶领域的重要研究内容。本文将人工社会(artificial societies) 、计算实验( computational experiments) 和平行执行 (parallel execution) 构成的 ACP 方法引入智能驾驶的视觉感知领域，提出了面向智能驾驶的平行视觉感知，解决了视觉模型合理训练和评估问题，有助于智能驾驶进一步走向实际应用。方法：平行视觉感知通过人工子系统组合来模拟实际驾驶场景，构建人工驾驶场景使之成为智能车视觉感知的“计算实验室”；借助计算实验两种操作模式完成视觉模型训练与评估；最后采用平行执行动态优化视觉模型，保障智能驾驶对复杂挑战的感知与理解长期有效。实验结果表明，目标检测的训练阶段虚实混合数据最高精度可达 60. 9% ，比单纯用 KPC( 包括: KITTI( Karlsruhe Institute of Technology and Toyota Technological Institute) ，PASCAL VOC( pattern analysis，statistical modelling and computational learning visual object classes) 和 MS COCO( Microsoft common objects in context) ) 数据和虚拟数据分别高出 17. 9% 和 5. 3%；在评估阶段相较于基准数据，常规任务(-30° 且垂直移动) 平均精度下降 11. 3% ，环境任务( 雾天) 平均精度下降 21. 0% ，困难任务( 所有挑战) 平均精度下降 33. 7% 。结论：本文为智能驾驶设计和实施了在实际驾驶场景难以甚至无法进行的视觉计算实验，对复杂视觉挑战进行分析和评估，具备加强智能车在行驶过程中感知和理解周围场景的意义。
关键词: 智能驾驶; 平行智能; 虚拟图像; 合成图像; 目标检测
名词解释：
ACP：Artificial societies, Computational experiments and Parallel execution；即人工社会，计算实验和平行执行；
摘要鉴赏：
从文章的第一句“视觉感知技术是智能车系统中的一项关键技术”(基本上每个论文作者都这样说。。)就可以看出，这是一篇应用类文章，多数是给文章所提方法安插一个落脚点，不至于让人觉得太空，太泛，太理论、理想化。
结合后面的内容，果不其然，文章首先以视觉感知技术为研究方向，提出了混合现实场景和人工场景图片的方式进行训练的设想，并在现有主流的数据库上进行了训练，然后得出比单数据库结果优秀的结果；其实这里有个疑问，混合后的数据库是不是比但数据库都要大，如果这样的话，是不是就不符合控制变量的思想了，换句话说，就是不严谨，不能服众。
应用题嘛(一般叫应用型研究为应用题)，没有应用怎么能行，所以文章又进行了虚拟车量的常规任务、环境任务和困难任务测试，所有精度都降低了，这里就不能理解了，于是我偷瞄了下文章，发现里面都是虚实结合数据库的精度高一些，这里应该是写错了。
最后文章得出结论是，平行驾驶行。。。其实要我说，还不如说是数据库扩大了提高了训练与识别的精度，不信放个训练和识别的时间看看(没错，我又偷看文章了，没有)。
怎么说呢，工作量不少，但大都体现在评估部分了，其实在前半部分的虚拟场景图片的构建也可以研究，比如用GAN，图像渲染，还有人工构造的模型拍摄图片(这个对模型要求较高)。
拜拜(同学甲：又水了一篇呗)
文章出处：
https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CJFD&dbname=CJFDLAST2021&filename=ZGTB202101006&uniplatform=NZKPT&v=nEbt5HShUQsY4lJ43cX3bzpBqhREKisbdLIZmU19BKbOCgI3NX6DO4OLdVP8fMoE
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
