交通指示牌識別
卷積神經網路，影象增強，判斷網路是否過擬合，防止過擬合
方向盤轉向
影象增強，影象視角轉換，使用網路進行回歸的任務
低能耗的網路的必要性，空間可分離卷積，卷積分解，分組卷積，深度方向可分離卷積
目標檢測
selective search進行region proposal，ss的工作原理，bound ing box的邊界框回歸，roi pooling（興趣區域池化），rpn網路，ｓｓｄ的多層級特徵提取，錨點框與真實標籤配對，選擇錨點框的尺寸和大小，資料增強，ｈａｒｄ ｎｅｇａｔｉｖｅmining，nms
車牌號識別
orc 二位卷積用於特徵提取，雙向遞迴神經網路層，，序列生成
車道線識別
數字圖形處理，影象邊界檢測，使用hough變換檢測影象中的幾何形狀
人類識別
孿生網路，one-shot learning 一次性學習的必要，孿生網路的結構，孿生網路的損失函式，
人臉定位
haar 特徵提取，adaboost提公升整合學習，人臉的檢測和定位
人臉關鍵點檢測
卷積神經網路，人臉關鍵點資料用於回歸的任務
手寫字元識別
卷積神經網路的缺陷，人類視覺優勢，膠囊網路神經元，dynamic routing 演算法
10.看圖說話
cnn，lstm，遷移學習，卷積神經網路的缺陷，人類視覺的劣勢，膠囊神經網路，dynamic routing 演算法。
機器之心-pascal voc視覺大賽是視覺物件識別和檢測的基準測試比賽，資料集標註質量高，場景複雜，目標多樣，資料量小，但是場景豐富，相比imagenet更加考慮人工智慧演算法設計和創新能力，，目標檢測是影象領域的三大任務之一，任務主要是演算法在給定的影象中精確定位物體的位置，並標註出被定位的物體的類別，因此演算法需要確定影象中物體的位置，然後對已定位的物體進行分類
目標檢測的難點是，影象中目標的大小，位置和姿態不確定，同意影象中可能有多個目標，這些問題和演算法準確檢測到目標帶來了挑戰。pascal voc資料集，演算法識別難度大，首先，影象中的目標有10個類別，，包括人類，動物，交通工具，室內物體，種類和數量都比較多，其次，資料集較小，規模難以通過大量資料訓練提公升表現，影象包含多個室內外場景，單個影象中的內容多變，目標數量和種類豐富，這對演算法在多種場景下準確的檢測多個目標提出了更高的要求。
alnnodetection目標檢測演算法
在20類不同類別的目標檢測上獲得了10個類別的檢測map第一，總分第一的好成績，這一演算法在模型構架和資料增強上都有創新。
模型上：
是一種兩階段的演算法，首先由演算法對目標生成候選框，然後將選定的物體分類，在結構上，骨幹網路使用resnetxtc52網路架構，，使用他來提取多尺度特徵圖，頸部網路採用乙個6級fpn，用來生成更加豐富的多尺度卷積網路。在這之後，連線兩個共享子網，乙個子網負責分類目標框，另乙個網路負責將目標框回歸到真實框，最後使用多次度測試融合，這樣就可以使得網路根據不同的尺度來關注不同的目標框的資訊、
資料增強的方法；
考慮到資料集小的問題，採用了填充小目標和mixup的方法，填充小目標的方法就是在單個影象上，將目標複製多次，並新增到影象上，這個方法可以增加小目標在訓練中的**次數，使得模型跟好的學習相關特徵，最後使得模型能夠精確檢測影象中的多個大小的目標
mixup
將多個影象融合，使被檢測多個目標重疊，該方法增加了影象中的場景類別，豐富了模型需要檢測的影象種類，使得模型在影象資料變得複雜的情況下學些目標的特徵，mixup模型有更好的**效果，在應對複雜場景影象的時候更加穩健。
無人駕駛汽車
無人駕駛汽車是智慧型汽車的一種，也稱為輪式移動機械人，主要依靠車內的以計算機系統為主的智慧型駕駛儀來實現無人駕駛的目標。據湯森路透智財權與科技最新報告顯示，2010年到 2015年間，與汽車無人駕駛技術相關的發明專利超過22,000件，並且在此過程中，部分企業已嶄露頭角，成為該領域的行業領導者。無人...
初識無人駕駛
無人駕駛是多個技術的整合，其中包羅感測器，深度學習，定位，路徑規劃，障礙物檢測與規避，機械控制，系統的整合與優化，高精度地圖，其中gps用於定位，光學雷達用於定位和障礙物檢測，照相機用於深度學習物體識別，以及定位輔助。感測器獲取資料後，首先利用卡爾曼濾波或粒子濾波器，對感測器資訊進行融合，並得出最大...
低速無人駕駛
低速無人駕駛 現狀 感知層 決策層 控制層。過去在無人駕駛的技術落地問題上，業內大多討論的是端對端的控制問題，但在實際場景下，低速無人駕駛要解決的是複雜的動態全流程問題。因此如何通過人工智慧或者深度學習的方法解決感知 決策和控制的全流程問題，是目前技術發展上的乙個難點。感測方案從雷射感知進一步拓展到...