推薦三個 Udacity 無人駕駛納米項目的感知項目

雷鋒網按：本文為 AI 研習社編譯的技術部落格，原標題 Perception Projects from the Self-Driving Car Nanodegree Program，作者為 David Silver。

翻譯 | 余杭 校對 | 王禕

在這些項目中，學生們構建了包括感知技術，深度學習，電腦視覺在內的眾多項目，充分展示了他們的能動性，創造性和工作理念。

我們經常被學生告知在Udacity 自動駕駛工程師納米學位項目中他們最喜歡的主題是感知技術，深度學習和電腦視覺（https://www.udacity.com/course/self-driving-car-engineer-nanodegree--nd013?utm_source=medium&utm_medium=content&utm_campaign=david_silver_blog）。

他們將對這些主題的濃厚興趣直接轉化為了高品質的工作。現在，我將向你們分享一下其中 3 個學生項目，這3個項目涵蓋了上述這些主題，而且尤其令人印象深刻。

使用 ResNet 作為特徵提取器實現 YOLO

https://medium.com/@m.khan/implementing-yolo-using-resnet-as-feature-extractor-5857f9da5014

Mohammad Atif Khan

我非常喜歡這個項目！ Mohammad 獨立完成了這個項目，並且大大超出了納米項目的要求。這對於他以後的事業發展有非常大的裨益，因為雇主們非常喜歡這類有天賦的學生，這類學生能夠深入研究某個專題，他們會通過自主構建項目來將想法具現化並且實驗技能。

“在這個項目中我使用了預訓練的 ResNet50 神經網絡，移除了它的分類層，因此它變成了一個特徵提取器，然後加入了 YOLO 的分類層（隨機初始化後）。然後在 Udacity 的 CrowdAI 數據集上訓練它以檢測影片幀中的車輛”

語義分割

https://github.com/KiqueGar/CarND-Semantic-Segmentation

Enrique Garcia

Enrique 在納米學位的高級深度學習項目中使用了 VGG-16 創建語義分割神經網絡。他使用 KITTI 數據集來訓練網絡，然後將其應用到他在墨西哥自駕遊時取的場景圖上。一起看看這個YouTube 影片！

“原始的 FCN-8s 是分階段訓練。後來作者在 Github 上傳了一個同時訓練所有階段的版本的 repo . Github repo 中的版本有個很重要的不同點是：池化層 3 和 4 的輸出在它們被喂進 1 × 1 的卷積層之前被縮放了。結果是，一些學生發現這種包含縮放層的模型學習效果要好得多。模型的收斂速度可能不會那麽快，但是會達到很高的檢測評價值以及準確率”

使用機器學習來進行車輛檢測

https://towardsdatascience.com/machine-learning-for-vehicle-detection-fd0f968995cf

Moataz Elmasry

......

想要繼續閱讀，請移步至我們的AI研習社社區：http://www.gair.link/page/TextTranslation/925

更多精彩內容盡在 AI 研習社。

不同領域包括電腦視覺，語音語義，區塊鏈，自動駕駛，數據挖掘，智能控制，編程語言等每日更新。

雷鋒網雷鋒網