嗨，大家好啊，忽如一夜春風(fēng)來(lái)，千樹萬(wàn)樹梨花開(kāi)。。。咔咔，搞錯(cuò)了搞錯(cuò)了，最近艷陽(yáng)高照，在廈門的我基本已經(jīng)熱成一只廢豬，也不知道下大雨地區(qū)的小伙伴們是否安好?；貧w正題，最近看到的有趣的新聞分享給大家。
聽(tīng)過(guò)智能駕駛，知道智能道路嗎？你可能拉低“整條街”的智商！當(dāng)當(dāng)當(dāng)，就是它了，知乎上的一篇文章，有點(diǎn)標(biāo)題黨，整篇文章很短，主體部分引用如下
此次，深圳市通過(guò)對(duì)交通信號(hào)控制設(shè)施的整體改造讓智慧道路實(shí)現(xiàn)了全線流量的自適應(yīng)控制和人車感應(yīng)控制，系統(tǒng)將可根據(jù)實(shí)時(shí)交通情況調(diào)整紅綠燈時(shí)間，自主實(shí)現(xiàn)“車多放車、人多放人”。
與此同時(shí)，智慧街道還能加強(qiáng)監(jiān)管，12個(gè)高速抓拍設(shè)備可通過(guò)人工智能快速識(shí)別車輛不禮讓行人、不系安全帶、不按箭頭行駛等違章行為，連交警的活也干了。
不僅如此，路面設(shè)置的重量和軸數(shù)傳感器還能自動(dòng)識(shí)別大貨車、泥頭車等特種車輛，對(duì)它們?cè)谠撀范蔚某蕹佟⑷雎┠嗤辽踔猎肼曃廴镜刃袨檫M(jìn)行實(shí)時(shí)監(jiān)控。
如果說(shuō)以上幾點(diǎn)都主要利于監(jiān)管者的話，那么以下這一點(diǎn)可真是路人福音。這條道路的大型小區(qū)出入口和公交站附近都設(shè)置了智慧燈桿，上面的信息屏可實(shí)時(shí)顯示最近的公交到站信息、自行車道指引、施工占道提醒甚至周邊樓宇、公園信息。據(jù)統(tǒng)計(jì)，有了這種集合功能的路燈桿，路面上整體交通標(biāo)志桿可減少32%。
“多種傳輸技術(shù)構(gòu)成的網(wǎng)絡(luò)讓信息交互大大加快，原先割裂的道路信息才能得以快速整合?！奔夹g(shù)人員表示，V2X技術(shù)所設(shè)想的以車為載體的萬(wàn)物互聯(lián)場(chǎng)景，通過(guò)道路基礎(chǔ)設(shè)施的升級(jí)也能實(shí)現(xiàn)，而且更具公共屬性，“道路信息的快速整合也能反過(guò)來(lái)降低車聯(lián)網(wǎng)發(fā)展的門檻。”
作者：千尋位置
鏈接：https://zhuanlan.zhihu.com/p/40438778
來(lái)源：知乎
為什么要介紹這項(xiàng)工作呢，因?yàn)楹民R配好鞍啊，智能駕駛風(fēng)口逐漸強(qiáng)勁，相應(yīng)的基礎(chǔ)建設(shè)自然不能落后，同時(shí)這也表示了國(guó)內(nèi)各地政府對(duì)加快智能化建設(shè)的決心（喂喂，不要寫政治八股文啊，丟），總之這是一個(gè)很好的信號(hào)，AI為社會(huì)各界賦能，大家還有什么理由不學(xué)好AI呢。
最近在讀兩本書（買書買到破產(chǎn)），把其中一本推薦給大家，書名叫《深度學(xué)習(xí)入門：基于python的理論與實(shí)現(xiàn)》，作者是日本作家齋藤康毅，全書寫的很簡(jiǎn)單，思想闡述的生動(dòng)形象，讀起來(lái)很流暢，應(yīng)該是我目前看過(guò)最適合深度學(xué)習(xí)入門的書了（花書也很好，就是有點(diǎn)難），所以建議想入門的小伙伴先讀這本書比較好。
好啦，下面介紹一下今天的閱讀論文，題目是《Error Correction for Dense Semantic Image Labeling》，通過(guò)題目就知道這篇文章是做分割圖像的誤差校正的，可以將現(xiàn)有的大多數(shù)語(yǔ)義分割方法得到的結(jié)果進(jìn)一步提升。
作者認(rèn)為，現(xiàn)有的語(yǔ)義分割方法或者后端方法主要分為三條線：
1.端到端的深度學(xué)習(xí)方法：例如DCNNs，但這類方法無(wú)法利用書法利用輸出標(biāo)記的結(jié)構(gòu)信息，導(dǎo)致對(duì)邊界的分割效果比較差。
2.概率圖模型：利用CRFs對(duì)深度學(xué)習(xí)方法得到的結(jié)果進(jìn)行進(jìn)一步處理，利用圖模型估計(jì)分割結(jié)果的真實(shí)分布，典型方法諸如DeepLab Models，但是這類方法需要大量的參數(shù)調(diào)節(jié)工作以及運(yùn)算時(shí)間，因此還有改進(jìn)空間。
3.誤差校正：最近新出現(xiàn)的一種方法，主要基于兩種方法在做，一種是基于轉(zhuǎn)換的方法，直接從初始結(jié)果中推斷新的標(biāo)記，另一種是基于殘差的方法，通過(guò)計(jì)算新分布的殘差大小來(lái)調(diào)整初始分布，當(dāng)然還有二者結(jié)合的方法。
作者在誤差矯正的基礎(chǔ)上進(jìn)行了進(jìn)一步的優(yōu)化工作，提出一種類似于Multi-task的網(wǎng)絡(luò)結(jié)構(gòu)，并行計(jì)算位移誤差和新產(chǎn)生估計(jì)誤差，以及二者的融合結(jié)果誤差。
網(wǎng)絡(luò)主要分三條分支：
第一條分支：LabelPropagation network
我覺(jué)得可以理解為對(duì)學(xué)到的標(biāo)記又進(jìn)行了一次前景提取的學(xué)習(xí)，通過(guò)相鄰像素來(lái)判斷當(dāng)前像素的分布，這樣的操作可以使原本標(biāo)簽中細(xì)小的錯(cuò)誤分類點(diǎn)消失，使邊緣更加平滑。
第二條分支：LabelReplacement network
這條分支主要解決初始標(biāo)簽中較大塊區(qū)域錯(cuò)誤分類的情況，這種情況下第一條分支無(wú)法通過(guò)近鄰像素點(diǎn)進(jìn)行校正，因此需要對(duì)這種區(qū)域從新進(jìn)行預(yù)測(cè)，這里第一條分支和第二條分支共享編碼器。
第三條分支：Fusion network
為了充分利用前兩條分支得到的結(jié)果，作者又學(xué)習(xí)了一條融合分支（很簡(jiǎn)單，就不詳細(xì)介紹了）。
訓(xùn)練細(xì)節(jié)和網(wǎng)絡(luò)參數(shù)配置感興趣的讀者可以看論文附表，羅列的很詳細(xì)。下面來(lái)看看實(shí)驗(yàn)結(jié)果如何吧。
這篇論文的方法可以看成是對(duì)學(xué)習(xí)結(jié)果的再學(xué)習(xí)，在某種程度上加深了網(wǎng)絡(luò)層數(shù)，也更加充分的利用了標(biāo)記信息，對(duì)于要求分割精度較高的應(yīng)用場(chǎng)景（例如PS）具有很高的應(yīng)用價(jià)值，但類似于自動(dòng)駕駛這樣的任務(wù)，實(shí)時(shí)性和高效性可能比精度更加重要。
最近鬧書荒，大家有什么好的深度學(xué)習(xí)，強(qiáng)化學(xué)習(xí)，自動(dòng)駕駛相關(guān)的新書也可以推薦給我哦，感激不盡，跪謝。
最后，祝好！愿與諸君一起進(jìn)步。
