推薦三個 Udacity 無人駕駛納米項目的感知項目

本文為 AI 研習社編譯的技術博客，原標題 Perception Projects from the Self-Driving Car Nanodegree Program，作者為 David Silver。

在這些項目中，學生們構建了包括感知技術，深度學習，計算機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，深度學習和計算機視覺（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質量的工作。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，因為僱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 神經網路，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視頻幀中的車輛」

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路。他使用 KITTI 數據集來訓練網路，然後將其應用到他在墨西哥自駕游時取的場景圖上。一起看看這個YouTube 視頻！

Semantic Segmentation_騰訊視頻?

v.qq.com

「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，一些學生髮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麼快，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

Moataz 構建了一個結合了方向梯度直方圖，支持向量機 ，以及滑動窗口搜索的車輛檢測管道。我特別喜歡他在減少車輛檢測的誤報方面使用的熱力圖。這各項目是一個很好的例子，它大大超出了納米學位工程的給出的要求，這個項目真正地構造了一個傑出的項目。

現在給定 SVM 模型，期望得到一些誤報。為了過濾那些不正確的檢測結果，其中一個方法是設定正向窗口的閾值，我們只提取那些多個窗口重疊的區域。在本質上，生成了正向窗口的熱力圖。

Udacity 基於項目的課程學習意味著納米學位的所有學生都可以像這樣自主構建項目，它讓你可以學習到實用的技能，可以通過把完成的項目上傳到動態的 Portfolio 來展示新技能和學習到的經驗。

如果你對圍繞感知技術，深度學習或是任何與自動駕駛汽車有關的工程技術來構建令人驚奇的項目，那麼你應該點擊我們的自動駕駛納米課程簡介，或是加入我們的自動駕駛汽車工程納米項目。

期待在課堂上看到你，我已經等不及要看到你構造的項目了。

原文鏈接：https://medium.com/udacity/perception-projects-from-the-self-driving-car-nanodegree-program-51fb88a38ff9

一個專註於

AI技術發展和AI工程師成長的求知求職社區

誕生啦！

歡迎大家訪問以下鏈接或者掃碼體驗