一文读懂自动驾驶数据闭环

2021-09-21 18:17:01· 来源：智驾最前沿

注意最近的一些新方法：

“MonoRUn: Monocular 3D Object Detection by Reconstruction and Uncertainty Propagation“

8）少样本/零样本学习

零样本学习（Zero-shot learning，ZSL）旨在识别在训练期间可能未见过实例的目标。虽然大多数ZSL方法都使用判别性损失（discriminative losses）进行学习，但少数生成模型（generative models）将每个类别表示为概率分布。

对于未见类（unseen classes），ZSL除了无法访问其视觉或辅助信息的inductive设置之外，transductive方法无需访问标签信息，直接用已见类（seen classes）和未见类一起的视觉或语义信息。

ZSL属于迁移学习（TL），源特征空间为训练实例，目标特征空间为测试实例，二者特征空间一样。但对于已见类和未见类，标签空间是不同的。

为了从有限的监督信息中学习，一个新的机器学习方向称为少样本学习 (Few-Shot Learning ，FSL)。基于如何使用先验知识，FSL可分为三个类：1）用数据先验知识来增强监督经验，2）通过模型先验知识约束假设空间，和3）用算法先验知识改变假设空间中最佳参数的搜索方式。

FSL 可以是监督学习、半监督学习和强化学习（RL），取决于除了有限的监督信息之外还有哪些数据可用。许多 FSL 方法是元学习（meta learning）方法，以此作为先验知识。

最近的一些实例方法：

分享到：

点赞 0 反对 0 举报 0 收藏 0 评论 0

0 条相关评论

• 基于CFD的中型客车客舱热舒适性预测及实验验证	• 特斯拉FSD自动驾驶方案要点解读
• 一文了解新能源汽车驱动电机构造、原理及关键技术	• 新能源汽车电机控制系统介绍
• 纯电动汽车电驱动系统功能安全技术全方位解析	• 车载无感酒精检测技术
• 初创加速计划 \| AI 赋能水面自动驾驶技术，欧卡智舶无人船	• 某新能源商用车制动疲软问题的改进分析
• 电动汽车电驱关键部件IGBT模块概述	• 车门碰撞解锁，无需“遥遥领先”

编辑推荐