|
私募工场——坚持风险主动管理的B2C社区 期权实战培训+亲自带盘（每月一期，一次报名，终身学习，早报更划算） 作者：Mobileye CEO Amnon Shashua翻译：天风计算机团队 来源：天风计算机团队 编辑：私募工场，转载请注明出处 1、计算机视觉 计算机视觉是指电脑可以看见并且从视频中提取出图像，在过去20年中通过机器学习已经有了一个飞跃，在过去4年中通过深度学习也有了另一个飞跃。在接下来的5年中，应该相信在某些精细领域，计算机视觉技术将会达到人类的感知水平。 而机器学习的影响，用摄像头来举例，是最低成本的感应器，只花数十美元，而每个感应器都需要计算才能达到人类的认知水平，成本很低所以它可以出现在任何地方，这一点非常重要。 来源：Youtube 2、避免碰撞方面的设备 挡风玻璃后面的相机记录镜头前面的画面并且分析视频内容，目的是为了避免碰撞。避免碰撞的意思是软件需要检测汽车和交通标志，并且指明当前位置，然后向汽车控制系统发送信号来避免交通事故。 如下图所示：汽车周围的边界盒子意味着系统已经检测到汽车，红色表示汽车经过我们，绿色的线是检测到了车道，禁止进入的标志和交通灯也被检测到。自行车和甚至是站着的行人也被检测到，还有穿过街道的人。现在是以36帧频/秒的速度运行，想象一下计算的数量。所以目前这个避免碰撞的系统可以检测到路面标志，并且测量到达物体的距离以防撞到物体：首先它会提出警告，然后为避免事故自动刹车。 来源：Youtube 3、相机检测物体功能举例 主要包括车道检测、汽车检测、行人检测、交通信号标志识别还有自动驾驶五个部分。 来源：Youtube 4、计算机视觉的分离 现在计算机视觉也创造了一个描述符号。如果15年前你问工程师什么能用了检测车道，他们会说相机，因为没有其他的感应器。但你可以发现道路标志并不适用于雷达和激光扫描仪，它可能对帮助雷达和相机的融合更有利。相机的加入弥补了雷达的短板，可以检测交通标志。但这些年相机也渐渐入侵，将成为主动安全系统的主要感应器。主动安全系统是为了避免事故的一个领域。 通过下面的发展状况看一下。 2007年我们开始了第一款相机和雷达的融合，这里并没有分解。人们认为相机对于雷达的结合很有好处。 2008年出现了交通标志的识别，也没有分解。 2010年相机进行行人检测，没有分解，没有其他感应器可以可靠地检测行人，因为他们发出的雷达很弱，并且行人大部分是静止的，雷达不擅长检测静止的物体；但在2011年出现了第一个具有前端碰撞警告的相机，这是分解的开始。前端碰撞警告是检测前面的汽车，如果即将发生碰撞就会发出警告。雷达感应器擅长检测变动的物体，可以以几厘米的精度检测到100米左右范围的汽车，但今天人们相信总有一天相机将接管雷达并发挥这个作用。 2011年汽车需要在前端碰撞警告和车道偏离警告中做出选择，因为前端碰撞警告需要雷达，所以车上需要两个感应器，如果可以在一个装置中完成这两项功能，将会节约一笔费用。所以这推动了汽车产业将两者结合。 2013年相机不仅能发出警告，还提供安全距离服务功能，可以实现紧急刹车，但这种刹车是局部的，只能达到30 km/h。 2015年相机完全分离出来，可以在70、80 km/h时避免事故，220 km/h时缓和事故。 来源：Youtube 5、相机分离的原因 相机目前成为主动安全系统领域的主要感应器。如果相机能像雷达和激光扫描仪一样能达到更高密度、高分辨率的信息，那么相机是最低成本的选择。所以今天相机的进步之处不仅在于计算和算法，还有光敏性。 来源：Youtube 6、EyeQx视觉应用程序处理器示意图 所以我们需要在芯片上建立自己的硬件，这种微处理器的效率可达通用芯片的10倍。 来源：Youtube 7、市场驱动因素 新的安全等级规定：监管者认为这种传感器成本低并且可以拯救生命，所以他们就会促使这种功能和汽车产业的结合，这种推动使汽车产业在2018年时几乎每辆车都安装主动安全系统。另一个是带动运输业的转变：我们如何拥有汽车、如何组建汽车。 但对于监管者来说，只有在汽车被测试合格后才能获得5星标准。（Nissan汽车的例子） 来源：Youtube 8、芯片的数量逐年递增 每辆车装有1个芯片，芯片里的微处理器从相机得到信息，所有的算法都在微处理器上，在2007年开始发行。前5年发行100万个，所以有100万辆汽车使用这项技术，2013年是130万，2014年是270万，2015年预计达到500万，产量翻倍的原因是相关产业影响：在很多产业监管是一种阻碍，但在这个产业监管是件好事，它推动汽车安装这种标准系统。 来源：Youtube 9、一些关于无人驾驶的广告及未来预期 在车里，你可以谈论其他话题，在发生碰撞之前挡风玻璃处的检测装置会检测前后汽车并刹车。2010年Volvo介绍第一款行人检测装置：在即将碰撞行人时，汽车将自动刹车。 10、ADAS(2016-2020) （1）实现无人驾驶的两个例子 下图显示的是驾驶经验和机器系统的转化。右手边是我们今天所在的水平，目前只依靠相机，可能有雷达和激光扫描仪，你可以得到信息并利用解释视觉的算法采取行动以防止事故。左手边是极端的例子：谷歌尝试的是更少的感应参与，有很多记录，一旦实行预记录驾驶，你可以准确知道自己的位置和所有移动的物体，不必检测车道，因为记录包含所有静止物体，移动物体自动弹出。不必提前学习驾驶，也不用记录问题，因为360度3D记录每秒几帧频的出现，会产生大量数据。 来源：Youtube （2）第一个飞跃：人类感知水平 第一个飞跃正在进行，在之后5年将到达人类感知水平，这是非常有可能的。从学术成就上看，有些已经超越了人类感知水平。有些不仅能识别汽车、行人，还能感知大约1000中不同的物体种类，知道如何预测路径。 来源：Youtube （3）需要深度网络的参与 目前通过情景和感知背景，可以识别行人和汽车，并形成3D模型和3D边界框，做出一些高级识别，以下是一些识别的例子，包括：路径规划、环境模型、汽车3D模型和情景识别。
来源：Youtube 11、深度网络 （1）卷积神经网络 网络真正的转机在2012年，这时出现了卷积神经网络，能够在意象上操作并达到之前性能水平的两倍。这推动了卷积建立2、3个致密层并得到产出。
来源：Youtube 包含有1000种分类，超过100万个形象，这些分类非常具有挑战性，因为变异很多，这是一项非常大的任务。2011年的任务是需要给候选人5个种类，如果正确的种类在5个之中那就成功了，这时绩效是26%。而2012年的绩效是16%，这是一个很大的飞跃，现在需要从6个竞选者之中选一个。
来源：Youtube （2）接下来的深度网络发展 在接下来的物体识别竞赛中，竞争越来越激烈，从1/6，到17/24，再到31/32。人类的水平应该在5%左右。
来源：Youtube （3）人类水平的面部识别 另一个巨大的成功是致命条件。资料组中包含的每个人的照片是从20岁到78岁，这个任务很具有挑战性，对于两张照片是否同一个人的识别技能，人类的正确水平是97.5%，如果用技术不用网络，可以达到91.4%，2014年Facebook建立了深度网络识别，达到97.3%，很接近人类感知水平，后来百度也称他们超过了端对端网络，预期结构表现好于Siri。所以自动化的结果是拥有的种类越多，网络表现就越好。
来源：Youtube （4）深度神经网络对无人驾驶的潜在影响 深度网络处理多级问题很有用，可以丰富物体的种类；也可以进行道路规划；网络设计可用于像素级标签，即用于不便于使用边界框的物体，也能用于传感器集成和控制决策。
来源：Youtube （5）使用深度神经网络的挑战 深度网络不能无限大，不能被设计成实时模式，目前只能解决一些“简单”的问题，比如物体检测。
来源：Youtube 12、全局路径规划（HPP） 深度网络的目的是决定路径。但你在选择路径时，你会看整个图像背景，这也是深度网络工作的原理：它输入图像信息，输出可行驶道路。
来源：Youtube 13、自由空间Semantic Free Space(SFS) SFS的几个例子：不仅可以找到边界，而且可以显示出不同物体的边界，防止撞到其他移动的物体、障碍物或者护栏。而深度网络收集了几乎所有像素，可以对道路或者障碍物做出标记。
来源：Youtube |
|
|
