廣告
首頁(yè) > 汽車(chē)技術(shù) > 正文
一文讀懂自動(dòng)駕駛數(shù)據(jù)閉環(huán)
2021-09-21 18:17:01· 來(lái)源：智駕最前沿
6 相關(guān)的機(jī)器學(xué)習(xí)技術(shù)
最后，談一下數(shù)據(jù)閉環(huán)所采用的機(jī)器學(xué)習(xí)技術(shù)，其實(shí)就是選擇什么訓(xùn)練數(shù)據(jù)和如何迭代更新模型的策略。主要有以下幾點(diǎn)：
-
主動(dòng)學(xué)習(xí)
-
OOD檢測(cè)和Corner Case檢測(cè)
-
數(shù)據(jù)增強(qiáng)/對(duì)抗學(xué)習(xí)
-
遷移學(xué)習(xí)/域自適應(yīng)
-
自動(dòng)機(jī)器學(xué)習(xí)（AutoML?）/元學(xué)習(xí)（學(xué)習(xí)如何學(xué)習(xí)）
-
半監(jiān)督學(xué)習(xí)
-
自監(jiān)督學(xué)習(xí)
-
少樣本/?零樣本學(xué)習(xí)
-
持續(xù)學(xué)習(xí)/開(kāi)放世界
下面分別討論：
1）主動(dòng)學(xué)習(xí)
主動(dòng)學(xué)習(xí)（active learning）的目標(biāo)是找到有效的方法從無(wú)標(biāo)記數(shù)據(jù)池中選擇要標(biāo)記的數(shù)據(jù)，最大限度地提高準(zhǔn)確性。主動(dòng)學(xué)習(xí)通常是一個(gè)迭代過(guò)程，在每次迭代中學(xué)習(xí)模型，使用一些啟發(fā)式方法從未標(biāo)記數(shù)據(jù)池中選擇一組數(shù)據(jù)進(jìn)行標(biāo)記。因此，有必要在每次迭代中為了大子集查詢所需標(biāo)簽，這樣即使對(duì)大小適中的子集，也會(huì)產(chǎn)生相關(guān)樣本。
如圖是一個(gè)主動(dòng)學(xué)習(xí)閉環(huán)示意圖：在無(wú)標(biāo)注數(shù)據(jù)中查詢、標(biāo)注所選擇數(shù)據(jù)、添加標(biāo)注數(shù)據(jù)到訓(xùn)練集和模型訓(xùn)練。
一些方法把標(biāo)注和無(wú)標(biāo)注數(shù)據(jù)放在一起，故此采用監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)進(jìn)行訓(xùn)練。
貝葉斯主動(dòng)學(xué)習(xí)方法通常使用非參數(shù)模型（如高斯過(guò)程）來(lái)估計(jì)每個(gè)查詢的預(yù)期進(jìn)步或一組查詢后的預(yù)期錯(cuò)誤。
基于不確定性主動(dòng)學(xué)習(xí)方法嘗試使用啟發(fā)式方法，比如最高熵，和決策邊界的幾何距離等來(lái)尋找困難例子（hard examples）。
如圖是英偉達(dá)基于主動(dòng)學(xué)習(xí)的挖掘數(shù)據(jù)方法：
還有其他的主動(dòng)學(xué)習(xí)實(shí)例方法：
-
“Deep Active Learning for Efficient Training of a LiDAR 3D Object Detector“
-
“Consistency-based Active Learning for Object Detection“
廣告 編輯推薦
最新資訊
-
開(kāi)年豪擲1.8億搶用戶，又一車(chē)企加入“價(jià)格
2026-03-04 16:05
-
聯(lián)合國(guó)法規(guī)R60對(duì)兩輪車(chē)操縱件與指示裝置的
2026-03-04 12:08
-
標(biāo)準(zhǔn)立項(xiàng)|《汽車(chē)異種材料鉚接接頭拉伸性能
2026-03-04 11:40
-
“汽車(chē)大角度座椅 第1部分：通用要求”將有
2026-03-04 11:39
-
“汽車(chē)大角度座椅 第2部分：可靠性要求”將
2026-03-04 11:39
