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

• 分布式驱动车辆的爆胎稳定性控制	• 新能源汽车电控系统参数匹配及优化
• 超高强度汽车钢板氢致延迟断裂敏感性U形恒弯曲载荷试验方	• 联合国自动驾驶数据记录系统DSSAD指导文件
• 后碰撞预警RCW功能介绍	• 教你快速计算路面伪损伤
• 自动驾驶系统（ADS）的安全性原则及验证	• 新能源汽车高压安全设计之一：高压互锁HVIL
• 沃尔沃又改写汽车安全历史！全球首条“会思考的安全带”明	• 汽车电子中的debounce防抖机制

编辑推荐