日本无码免费高清在线|成人日本在线观看高清|A级片免费视频操逼欧美|全裸美女搞黄色大片网站|免费成人a片视频|久久无码福利成人激情久久|国产视频一二国产在线v|av女主播在线观看|五月激情影音先锋|亚洲一区天堂av

  • 手機站
  • 小程序

    汽車測試網(wǎng)

  • 公眾號

    • 汽車測試網(wǎng)

    • 在線課堂

    • 電車測試

一文讀懂自動駕駛數(shù)據(jù)閉環(huán)

2021-09-21 18:17:01·  來源：智駕最前沿  
　
3）數(shù)據(jù)增強/對抗學習
過擬合（Overfitting）是指當機器學習模型學習高方差的函數(shù)完美地對訓練數(shù)據(jù)建模時出現(xiàn)的現(xiàn)象。數(shù)據(jù)增強（Data Augmentation）增強訓練數(shù)據(jù)集的大小和質(zhì)量，克服過擬合，從而構(gòu)建更好的機器學習模型。
圖像數(shù)據(jù)增強算法包括幾何變換、色彩空間增強、內(nèi)核過濾器、混合圖像、隨機擦除、特征空間增強、對抗訓練（adversarial training）、生成對抗網(wǎng)絡（generative adversarial networks，GAN）、神經(jīng)風格遷移（neural style transfer）和元學習（meta-learning）。
激光雷達點云數(shù)據(jù)的增強方法還有特別的一些：全局變換（旋轉(zhuǎn)、平移、尺度化）、局部變換（旋轉(zhuǎn)、平移、尺度化）和3-D濾波。
對抗性訓練可以成為尋找增強方向的有效方法。通過限制對抗網(wǎng)絡（adversarial network）可用的增強和畸變變換集，通過學習得到導致錯誤的增強方式。這些增強對于加強機器學習模型中的弱點很有價值。
值得一提的是，CycleGAN 引入了一個額外的 Cycle-Consistency 損失函數(shù)，穩(wěn)定 GAN 訓練，應用于圖像到圖像轉(zhuǎn)換（image-to-image translation）。實際上CycleGAN 學習從一個圖像域轉(zhuǎn)換到另一個域。
機器學習模型錯誤背后的一個常見原因是一種稱為數(shù)據(jù)集偏差或域漂移（dataset bias / domain shift）的現(xiàn)象。域適應方法試圖減輕域漂移的有害作用。對抗訓練方法引入到域適應，比如對抗鑒別域適應方法(Adversarial Discriminative Domain Adaptation，ADDA)。
最近出現(xiàn)的一些新實例方法：
  • “AutoAugment: Learning Augmentation Strategies from Data“
 
  • “Classmix: Segmentation-based Data Augmentation For Semi-supervised Learning“
 
  • “Data Augmentation for Object Detection via Differentiable Neural Rendering“
 
  • “LiDAR-Aug: A General Rendering-based Augmentation framework for 3D Object Detection“
 
  • “Adaptive Object Detection with Dual Multi-Label Prediction“
 
  • “Taking A Closer Look at Domain Shift: Category-level Adversaries for Semantics Consistent Domain Adaptation“
 
分享到：
 
反對 0 舉報 0 收藏 0 評論 0
滬ICP備11026917號-25