|
雷锋网按：本文为 AI 研习社编译的技术博客，原标题 Perception Projects from the Self-Driving Car Nanodegree Program，作者为 David Silver。 翻译 | 余杭 校对 | 王祎 在这些项目中，学生们构建了包括感知技术，深度学习，计算机视觉在内的众多项目，充分展示了他们的能动性，创造性和工作理念。  我们经常被学生告知在Udacity 自动驾驶工程师纳米学位项目中他们最喜欢的主题是感知技术，深度学习和计算机视觉（https://www./course/self-driving-car-engineer-nanodegree--nd013?utm_source=medium&utm_medium=content&utm_campaign=david_silver_blog）。 他们将对这些主题的浓厚兴趣直接转化为了高质量的工作。现在，我将向你们分享一下其中 3 个学生项目，这3个项目涵盖了上述这些主题，而且尤其令人印象深刻。 使用 ResNet 作为特征提取器实现 YOLO https:///@m.khan/implementing-yolo-using-resnet-as-feature-extractor-5857f9da5014 Mohammad Atif Khan 3.2MB  我非常喜欢这个项目！ Mohammad 独立完成了这个项目，并且大大超出了纳米项目的要求。这对于他以后的事业发展有非常大的裨益，因为雇主们非常喜欢这类有天赋的学生，这类学生能够深入研究某个专题，他们会通过自主构建项目来将想法具现化并且实验技能。 “在这个项目中我使用了预训练的 ResNet50 神经网络，移除了它的分类层，因此它变成了一个特征提取器，然后加入了 YOLO 的分类层（随机初始化后）。然后在 Udacity 的 CrowdAI 数据集上训练它以检测视频帧中的车辆” 语义分割 https://github.com/KiqueGar/CarND-Semantic-Segmentation Enrique Garcia Enrique 在纳米学位的高级深度学习项目中使用了 VGG-16 创建语义分割神经网络。他使用 KITTI 数据集来训练网络，然后将其应用到他在墨西哥自驾游时取的场景图上。一起看看这个YouTube 视频！ “原始的 FCN-8s 是分阶段训练。后来作者在 Github 上传了一个同时训练所有阶段的版本的 repo . Github repo 中的版本有个很重要的不同点是：池化层 3 和 4 的输出在它们被喂进 1 × 1 的卷积层之前被缩放了。结果是，一些学生发现这种包含缩放层的模型学习效果要好得多。模型的收敛速度可能不会那么快，但是会达到很高的检测评价值以及准确率” 使用机器学习来进行车辆检测 https:///machine-learning-for-vehicle-detection-fd0f968995cf Moataz Elmasry  ...... 想要继续阅读，请移步至我们的AI研习社社区：http://www./page/TextTranslation/925 更多精彩内容尽在 AI 研习社。 不同领域包括计算机视觉，语音语义，区块链，自动驾驶，数据挖掘，智能控制，编程语言等每日更新。 雷锋网雷锋网
|
|
|
来自： 扫地僧一一 > 《384、自动驾驶》
