视觉和感知 人工智能在汽车安全系统的实际应用

在视觉系统中，深度(vs.宽度)网络倾向于利用已识别的特征，通过构建更深的网络最终来实现更通用的识别。这些多层的优点是各种抽象层次的学习特征。

视觉和感知 人工智能在汽车安全系统的实际应用 

例如，若训练深度卷积神经网络(CNN)来对图像进行分类，则第一层学习识别边缘等最基本的东西。下一层学习识别成形的边缘的集合。后续图层学习识别诸如眼或鼻这样的形状的集合，而最后一层将学习甚至更高阶(如面部)的特征。多层更擅长进行归纳，因为它们可以学习原始数据和高级分类之间的所有中间特征。如图1所示，这种跨越多层的归纳对于最终用例是有利的，如对交通标志进行分类，或者尽管存在墨镜、帽子和/或其他类型的障碍物，也可能识别特定面部。

深度学习的"学习"层面源于对分层网络如何在给定大量已知输入及其期望输出的情况下产生更准确结果(图2)所需的训练(反向传播)的迭代。这种学习减少了那些迭代产生的错误，并最终获得分层函数的结果，以满足整体系统需求，并为目标应用程序提供极其稳健的解决方案。这种学习/分层/互连类型类似于生物神经系统，因此支持人工智能的概念。

尽管深度学习具有效力，但其在实际应用中也遇到了一些挑战。对于容易受到系统限制因素(如总体成本、功耗和扩展计算能力)影响的嵌入式应用程序而言，在设计支持深度学习功能的系统时必须考虑这些限制因素。开发人员可以使用前端工具，如Caffe(最初由加州大学伯克利分校开发的深度学习框架)或TensorFlow(谷歌的发明)来开发总网络、层和相应的功能，以及目标最终结果的培训和验证。完成此操作后，针对嵌入式处理器的工具可将前端工具的输出转换为可在该嵌入式器件上或该嵌入式器件中执行的软件。

声明： 本网站原创内容，如需转载，请注明出处；本网站转载内容（文章、图片、视频等资料）的版权归原网站所有。如我们转载或使用了您的文章或图片等资料的，未能及时和您沟通确认的，请第一时间通知我们，以便我们第一时间采取相应措施，避免给双方造成不必要的经济损失或其他侵权责任。如您未通知我们，我们有权利免于承担任何责任。 我们的联系邮箱：news@cecb2b.com。