- 博客(3)
- 收藏
- 关注
RSS订阅原创 车道线检测
近期阅读的几篇关于车道线检测的论文总结。 1. 任务需求分析 1.1 问题分析 针对车道线检测任务，需要明确的问题包括： （1）如何对车道线建模，即用什么方式来表示车道线。 从应用的角度来说，最终需要的是车道线在世界坐标系下的方程。而神经网络更适合提取图像层面的特征，直接回归方程参数不是不可能，但限制太多。 由此，网络推理输出和最终结果之间存在一个Gap，需要相对复杂的后处理去解决。 （2）网络推理做到哪一步。 人在开车时观察车道线，会同时关注两方面信息： 绘制在路面上的车道线标识本身 通过车...
2020-12-29 12:03:23
3235
1
原创 主动学习
*主动学习就像学生（分类器）学习一样，专门学习自己不会的（最有价值的未标记样本），然后再通过老师讲解（专家标注），不断提高自己成绩 Active Learning，即主动学习，通过一定的算法查询最有用的未标记样本，并交由专家进行标记，然后用查询到的样本训练分类模型来提高模型的精确度。* 深度学习在各种各样的实际应用中取得巨大突破，其主要的推动力在于三个方面：数据，算法和算力。也就是说，在很多情况下，一个完整的解决方案，需要具备这样的条件：1）足够的.
2020-12-18 21:25:25
277
1
转载 图解Transformer（完整版）
编者按：前一段时间谷歌推出的BERT模型在11项NLP任务中夺得SOTA结果，引爆了整个NLP界。而BERT取得成功的一个关键因素是Transformer的强大作用。谷歌的Transformer模型最早是用于机器翻译任务，当时达到了SOTA效果。Transformer改进了RNN最被人诟病的训练慢的缺点，利用self-attention机制实现快速并行。并且Transformer可以增加到非常深的深度，充分发掘DNN模型的特性，提升模型准确率。在本文中，我们将研究Transformer模型，把它掰开揉碎，理
2020-12-03 16:26:52
1348
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人